| 陈朋,陈庆清,王海霞,张怡龙,刘义鹏,梁荣华.基于改进动态配置的FPGA卷积神经网络加速器的优化方法[J].高技术通讯(中文),2020,30(3):240~247 |
| 基于改进动态配置的FPGA卷积神经网络加速器的优化方法 |
|
| |
| DOI：doi：10.3772/j.issn.1002-0470.2020.03.004 |
| 中文关键词: 卷积神经网络（CNN）； 现场可编程门阵列（FPGA）； 模块复用； 流水线； 动态定点 |
| 英文关键词: |
| 基金项目: |
| 作者 | 单位 | | 陈朋 | | | 陈庆清 | | | 王海霞 | | | 张怡龙 | | | 刘义鹏 | | | 梁荣华 | |
|
| 摘要点击次数: 2550 |
| 全文下载次数: 1614 |
| 中文摘要: |
| 卷积神经网络（CNN）已广泛应用于各种计算机视觉任务，基于GPU的卷积神经网络加速器往往存在功耗较高、体积较大和成本较高的问题。针对上述问题，文中提出一种基于改进动态配置的现场可编程门阵列（FPGA）卷积神经网络加速器的优化方法。使用高层次综合工具，在引入分割参数的基础上，通过在资源约束情况下基于流水线结构的层间模块复用，采用8 16位动态定点设计方案，以有限的硬件资源实现性能优化的卷积神经网络硬件结构，提升计算效率的同时缩短了开发周期。利用该方法在ZCU102平台上构建实现了AlexNet网络和VGG网络。在最大精度损失0.63%的条件下，将加速器性能分别从46.3fps和37.2fps提高到290.7fps和54.4fps，计算能效分别达到了TITAN X的1.78倍和3.89倍。实验数据充分说明，采用改进动态配置的优化方法，利用高层次综合工具进行开发的FPGA卷积加速器，既满足了计算实时性的要求，同时也解决了功耗和体积问题，验证了本方法的有效性。 |
| 英文摘要: |
| |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
