面向云端FPGA的卷积神经网络加速器的设计及其调度

分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-11-29 合作期刊: 《计算机应用研究》

蔡瑞初 余洋 钟椿荣 卢冶 陈瑶

摘要： 卷积神经网络的高计算复杂性阻碍其广泛用于实时和低功耗应用，现有软件实现方案难以满足卷积神经网络对运算性能与功耗的要求，传统面向FPGA的卷积神经网络构造方式具有流程复杂、周期较长和优化空间较小等问题。针对该问题，根据卷积神经网络计算模式的特点，提出一种面向云端FPGA的卷积神经网络加速器的设计及其调度机制。通过借鉴基于HLS技术、引入循环切割参数和对卷积层循环重排的设计，采用模块化方式构造网络，并进行参数拓展以进一步优化加速器处理过程；通过分析系统任务和资源的特性总结调度方案，且从控制流和数据流两方面对其进行优化设计。与其他已有工作相比，所提出的设计提供了一种同时具有灵活性，低能耗、高能效和高性能的解决方案，并且探讨了加速器的高效通用调度方案。实验结果表明，与CPU实现相比，该设计实现AlexNet达到8.48倍的加速，而实现Cifar的功耗仅为其24.96%；相较于CPU+GPU实现对Cifar6.90倍的加速比，虽然实现较大规模网络的性能不及GPU，但功耗最小仅为其14.98%；与已有研究成果相比，最大达到6.29倍的加速比。其中与大平台生成的加速器相比，即使仅达到相当的性能，但具有更低的时钟频率。

 点击量 2313  下载量 1534  评论