隨著深度學習技術在眾多領域的廣泛使用,作為其基礎模型的卷積神經(jīng)網(wǎng)絡（Convolutional Neutral Network,CNN）也越來越受重視,被廣泛應用在圖像分類、人臉識別、語言檢測、文檔分析等諸多領域。但是僅用軟件方式加速卷積神經(jīng)網(wǎng)絡已經(jīng)不能滿足日益增長的速度與功耗要求,如何利用硬件設計卷積神經(jīng)網(wǎng)絡加速器已經(jīng)成為學術領域的研究熱點。FPGA（Field-Programmable Gate Array）作為并行化的計算密集型加速硬件,擁有卓越的性能功耗比,對比GPU、ASIC具有獨特優(yōu)勢。但是實際使用中,如何高效地利用FPGA有限的片上資源,以較少的資源獲得更高的性能,如何設計出更通用的FPGA硬件架構或模塊都存在巨大的挑戰(zhàn)。本文提出了一種高效卷積模塊ECM（Efficient Convolutional Module）,它包含4個PE（Processing Element）單元,每個PE單元負責一張輸出特征圖的計算,采用級聯(lián)串推的方式在PE單元間傳遞卷積數(shù)據(jù)和卷積參數(shù)。為了解決層串行模式反復讀寫外部存儲器的問題,制定了雙緩沖的存儲機制用于將中間計算結果存儲到FPGA片內(nèi)。并... 

【文章來源】：江南大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

生物神經(jīng)元及人工神經(jīng)元結構

圖 2-2 多層全連接前向神經(jīng)網(wǎng)絡結構卷積神經(jīng)網(wǎng)絡作為神經(jīng)網(wǎng)絡的基礎模型之一，區(qū)別于一般網(wǎng)絡有兩大特點，一是不同于全連接網(wǎng)絡，卷積神經(jīng)網(wǎng)絡的各個神經(jīng)元之間采用稀疏連接的方式，二是同一層中的部分神經(jīng)元之間共享權值。這兩大特點大大減少了網(wǎng)絡的權值數(shù)量，并且降低了網(wǎng)絡的復雜度。將圖像直接作為輸入時卷積神經(jīng)網(wǎng)絡的優(yōu)勢更大，免去了傳統(tǒng)圖像識別算法中繁瑣的數(shù)據(jù)重建和特征提取過程。圖像經(jīng)過多次的卷積核濾波和子抽樣后，便提取到了顯著的特征，而且卷積神經(jīng)網(wǎng)絡對圖像的變形如平移、縮放、傾斜等具有自適應性。因此，多年來卷積神經(jīng)網(wǎng)絡一直是人工神經(jīng)網(wǎng)絡方面的研究熱點，在圖像識別，機器視覺，自動翻譯等諸多領域得到了愈加廣泛的應用。2.1.2 卷積神經(jīng)網(wǎng)絡基本網(wǎng)絡結構卷積神經(jīng)網(wǎng)絡的典型網(wǎng)絡結構如下圖2-3所示。通常圖像作為原始輸入，經(jīng)過交替出現(xiàn)的卷積層提取特征和池化層子抽樣后，得到多張?zhí)卣鲌D，在網(wǎng)絡的最后通過全連接層運算得出結果。

圖 2-2 多層全連接前向神經(jīng)網(wǎng)絡結構卷積神經(jīng)網(wǎng)絡作為神經(jīng)網(wǎng)絡的基礎模型之一，區(qū)別于一般網(wǎng)絡有兩大特點，一是不同于全連接網(wǎng)絡，卷積神經(jīng)網(wǎng)絡的各個神經(jīng)元之間采用稀疏連接的方式，二是同一層中的部分神經(jīng)元之間共享權值。這兩大特點大大減少了網(wǎng)絡的權值數(shù)量，并且降低了網(wǎng)絡的復雜度。將圖像直接作為輸入時卷積神經(jīng)網(wǎng)絡的優(yōu)勢更大，免去了傳統(tǒng)圖像識別算法中繁瑣的數(shù)據(jù)重建和特征提取過程。圖像經(jīng)過多次的卷積核濾波和子抽樣后，便提取到了顯著的特征，而且卷積神經(jīng)網(wǎng)絡對圖像的變形如平移、縮放、傾斜等具有自適應性。因此，多年來卷積神經(jīng)網(wǎng)絡一直是人工神經(jīng)網(wǎng)絡方面的研究熱點，在圖像識別，機器視覺，自動翻譯等諸多領域得到了愈加廣泛的應用。2.1.2 卷積神經(jīng)網(wǎng)絡基本網(wǎng)絡結構卷積神經(jīng)網(wǎng)絡的典型網(wǎng)絡結構如下圖2-3所示。通常圖像作為原始輸入，經(jīng)過交替出現(xiàn)的卷積層提取特征和池化層子抽樣后，得到多張?zhí)卣鲌D，在網(wǎng)絡的最后通過全連接層運算得出結果。

【參考文獻】：
期刊論文
[1]低資源語音識別中融合多流特征的卷積神經(jīng)網(wǎng)絡聲學建模方法[J]. 秦楚雄,張連海.  計算機應用. 2016(09)
[2]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[3]卷積神經(jīng)網(wǎng)絡的FPGA并行加速方案設計[J]. 方睿,劉加賀,薛志輝,楊廣文.  計算機工程與應用. 2015(08)
[4]基于卷積神經(jīng)網(wǎng)絡的手勢識別初探[J]. 蔡娟,蔡堅勇,廖曉東,黃海濤,丁僑俊.  計算機系統(tǒng)應用. 2015(04)
[5]基于ZYNQ的稠密光流法軟硬件協(xié)同處理[J]. 王芝斌,陽文敏,張圓蒲,柴志雷.  計算機工程與應用. 2014(18)
[6]基于OpenCL的FPGA設計優(yōu)化方法研究[J]. 范興山,彭軍,黃樂天.  電子技術應用. 2014(01)
[7]FPGA結構設計方法及EDA工具[J]. 張峰,李艷,陳亮,李明,于芳.  微電子學與計算機. 2013(05)
[8]基于嵌入式GPU虛擬儀表圖形軟件的實現(xiàn)[J]. 郭云,康濤.  計算機系統(tǒng)應用. 2012(10)
[9]基于GPU的多點觸控圖像處理技術[J]. 裘皓萍,馮瑞,萬時華.  計算機工程. 2012(01)



本文編號：3594498