基于FPGA的CNN图像识别加速与优化

• 作者: 齐延荣 周夏冰 李斌 周清雷
• 来源期刊: 计算机科学
• 关键词: CNN FPGA 图像识别 OpenCL 模块划分 数据流优化
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 计算机图形学&多媒体|Computer Graphics & Multimedia
• 页码范围: 205-212
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.200600089

摘要

目前,CNN已广泛应用于许多应用场景中,包括图像分类、语音识别、视频分析、文档分析等.由于CNN计算密集,常以GPU进行加速,但GPU功耗高,不适用于CNN推理阶段.基于此,文中研究了基于FPGA的CNN图像识别加速与优化的应用方法,利用Intel FPGA提供的OpenCL SDK,在FPGA板卡上设计并优化了CNN前向模型.首先,针对计算量问题,通过功能模块划分,充分发挥FPGA的高计算效能优势.其次,优化核心算法,提高运行速度;分析特征图处理操作,利用参数共享策略降低数据存储量;采用通道传输数据,减少访问片外存储次数.最后,对数据缓存、数据流、循环进行优化设计,缓解了FP-GA片上的资源限制;通过量化参数降低FPGA内存资源占用量.实验结果表明,FPGA具有较低的功耗,CPU的功耗是其2.1倍,而GPU的功耗是其6.5倍;与近年来相关领域文献中提出的方法相比,所提方法具有较高的吞吐量和计算性能.