FPGA加速器深度卷积神经网络优化计算方法.docx

FPGA加速器深度卷积神经网络优化计算方法
标题：FPGA加速器深度卷积神经网络优化计算方法
摘要：
深度卷积神经网络（DCNNs）在计算机视觉、语音识别和自然语言处理等领域取得了重大突破。然而，随着网络模型越来越复杂，DCNNs的计算复杂性也极大地增加。为了充分利用FPGA加速器的并行计算能力，本文提出了一种优化计算方法，该方法旨在提高DCNNs在FPGA加速器上的计算性能和能效。
1.引言
1.1背景
深度卷积神经网络是一种模仿人类大脑视觉处理方式的人工神经网络结构。DCNNs具有逐层特征提取、层内共享权重和局部感知区域等特点，在图像识别、目标检测和文本分类等领域取得了重要的突破。
1.2难题
由于DCNNs模型的规模逐渐扩大，计算复杂性也急剧增加。传统的处理器在执行DCNNs时往往遇到了瓶颈，无法满足实时应用的需求。而FPGA加速器的可编程性和并行计算能力具有良好的适应性，成为优化DCNNs计算性能和能效的重要选择。
2.FPGA加速器深度卷积神经网络优化计算方法
2.1网络结构优化
（1）深度可伸缩性：通过增加或减少网络层数，根据不同任务和硬件条件，进行灵活调整网络结构。这样可以在保证模型精度的前提下减少计算量，提高计算效率。
（2）参数规模压缩：通过参数维度的缩减，如滤波器的剪枝策略，参数量化等方法，减少网络参数的存储与传输带宽。
2.2计算流水线优化
（1）数据并行性：对于大规模DCNNs，可以将数据分为多个子网进行并行计算，提高计算效率。
（2）指令级并行和线程级并行：通过FPGA的特性，可以对DCNNs的不同层级进行指令级和线程级并行计算，提高计算密集型任务的性能。
2.3特征映射计算优化
（1）权重共享：充分利用DCNNs中卷积层的权重共享特性，设计高效的计算架构。例如，将卷积权重缓存至BRAM中，复用计算结果，减少计算量。
（2）局部性优化：根据DCNNs的局部感知特点，针对不同的图像区域和感知特征进行计算优化，减少冗余计算。
2.4存储优化
（1）权重存储：通过各种技术，如网络剪枝、参数量化等，减小权重的存储量。并借助FPGA加速器的片上存储器资源，提高访问速度。
（2）数据流管理：通过优化数据流的存储和传输，减少数据在存储、传输和计算之间的延迟，提高计算效率。
3.实验结果与评估
本文设计了一个基于FPGA加速器的DCNNs计算优化方案，并在公共数据集上进行了一系列实验。实验结果表明，所提出的方法相对于传统处理器具有更高的效率和能效。
4.结论
本文提出了一种针对FPGA加速器的深度卷积神经网络优化计算方法。通过网络结构优化、计算流水线优化、特征映射计算优化和存储优化等策略，充分发挥了FPGA加速器的并行计算能力，提高了DCNNs的计算性能和能效。未来的工作可以进一步探索其他优化策略，并将该方法应用于其他领域的计算任务。
参考文献：
[1]KrizhevskyA,SutskeverI,HintonGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks[J].CommunicationsoftheACM,2017,60(6):84-90.
[2]ZhangX,ZhouX,LinM,etal.Shufflenet:Anextremelyefficientconvolutionalneuralnetworkformobiledevices[C].ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition,2018:6848-6856.
[3]YuD,DengL.Deeplearninganditsapplicationstosignalandinformationprocessing[J].IEEESignalProcessingMagazine,2011,28(1):145-154.