一种双向脉动数据流的全卷积神经网络加速器

• 作者: 朱宜炳 涂凯杰 许达文
• 来源期刊: 微电子学与计算机
• 关键词: 全卷积 反卷积层 加速优化 双向脉动数据流
• 年，卷（期）: 2020,（1）
• 页码范围: 33-37
• 页数: 5页
• 分类号: TN492
• 语种: 中文

摘要

全卷积神经网络近年来被应用于深度学习中的多个领域,其不仅能处理简单的图像分类任务,还能应用于例如物体检测、语义/图像分割以及基于生成式对抗网络的生成型任务.典型的全卷积神经网络中不仅包括了传统的卷积层,还有反卷积层,它们都是计算密集型的.现在大多数研究者大都关注卷积层的设计优化,而反卷积的加速优化很少.本文提出了一种双向脉动数据流的全卷积神经网络加速器,可以同时高效地处理普通卷积层以及反卷积层.实验中选取了多个具有代表性的全卷积神经网络模型,例如DCGAN,Cascaded-FCN等.相较于以往传统的未优化的加速方案,本文所设计的加速器平均可以达到2.8倍的加速比,并且能耗降低了46.3％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	许达文	合肥工业大学电子科学与应用物理学院	6	5	2.0	2.0
2	涂凯杰	合肥工业大学电子科学与应用物理学院	1	0	0.0	0.0