基于改进动态配置的FPGA卷积神经网络加速器的优化方法

• 作者: 刘义鹏 张怡龙 梁荣华 王海霞 陈庆清 陈朋
• 来源期刊: 高技术通讯
• 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
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 计算机与通信技术
• 页码范围: 240-247
• 页数: 8页
• 字数: 5131字
• 语种: 中文
• DOI: 10.3772/j.issn.1002-0470.2020.03.004

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46.3 fps和37.2 fps提高到290.7 fps和54.4 fps,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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁荣华	浙江工业大学计算机科学与技术学院	57	458	12.0	18.0
2	陈朋	浙江工业大学计算机科学与技术学院	41	112	6.0	9.0
3	刘义鹏	浙江工业大学计算机科学与技术学院	9	11	2.0	3.0
4	王海霞	浙江工业大学计算机科学与技术学院	14	11	2.0	2.0
5	张怡龙	浙江工业大学信息工程学院	3	1	1.0	1.0
6	陈庆清	浙江工业大学信息工程学院	1	0	0.0	0.0