深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)VLIW加速器設(shè)計與實(shí)現(xiàn).pdf

1、近年來，卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法及其在視覺感知領(lǐng)域的應(yīng)用很大程度上改變了傳統(tǒng)的機(jī)器視覺框架。但因?yàn)镃NN算法大量的計算工作負(fù)載使其很難在高實(shí)時性，嵌入式場合得以廣泛應(yīng)用。最近，有一些國際著名的學(xué)術(shù)、商業(yè)機(jī)構(gòu)推出了其專用的解決方案，用來降低功耗并提高性能，但大量的數(shù)據(jù)傳輸與訪問仍然是一個棘手的挑戰(zhàn)。
　　本文的主要的工作如下：
　　1.整合并優(yōu)化了CNN卷積層，進(jìn)行了細(xì)粒度的算法并行性分析，提出了Intra Output F

2、eature Map的并行思路；對片上片外存儲模型進(jìn)行分析并為CNN設(shè)置了較通用的存儲解決方案；
　　2.提出了一種全新的CNN硬件加速器結(jié)構(gòu)，設(shè)定了指令集與工作模式，用戶可以使用簡單的VLIW指令實(shí)現(xiàn)多種參數(shù)的CNN網(wǎng)絡(luò)層；
　　3.構(gòu)建了基于ZYNQ的SOC芯片設(shè)計驗(yàn)證平臺框架，并對CNN加速器進(jìn)行驗(yàn)證；
　　4.使用28nm低功耗工藝庫實(shí)現(xiàn)了CNN加速器ASIC,與其它先進(jìn)的CNN加速器相比，在實(shí)現(xiàn)相近或更好的吞