深度學(xué)習(xí)算法可重構(gòu)加速器關(guān)鍵技術(shù)研究.pdf

1、伴隨著大數(shù)據(jù)時(shí)代的到來(lái)，數(shù)據(jù)呈爆炸性增長(zhǎng)。如何有效地組織海量數(shù)據(jù)并從中提取有價(jià)值信息成為一個(gè)難題。深度學(xué)習(xí)模型是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，模擬了大腦皮層的層次學(xué)習(xí)結(jié)構(gòu)，能夠?qū)Υ髷?shù)據(jù)進(jìn)行數(shù)據(jù)挖掘、特征提取和分類等操作，已成為機(jī)器學(xué)習(xí)領(lǐng)域最為炙手可熱的模型之一。
　　深度學(xué)習(xí)算法是典型的計(jì)算密集型應(yīng)用，速度瓶頸和對(duì)大規(guī)模計(jì)算平臺(tái)的依賴也日益成為深度學(xué)習(xí)算法實(shí)用和推廣的障礙，因此，深度學(xué)習(xí)算法加速技術(shù)的研究逐漸成為熱點(diǎn)。利用FPGA平臺(tái)和可重

2、構(gòu)技術(shù)，對(duì)深度學(xué)習(xí)算法進(jìn)行硬化實(shí)現(xiàn)，是實(shí)現(xiàn)深度學(xué)習(xí)算法加速處理的有效途徑。目前，采用FPGA實(shí)現(xiàn)的深度學(xué)習(xí)算法加速器研究剛剛起步，還局限在對(duì)特定算法的定制實(shí)現(xiàn)和加速。本文針對(duì)深度學(xué)習(xí)算法的可重構(gòu)加速器技術(shù)進(jìn)行研究，期望能夠?yàn)樯疃葘W(xué)習(xí)算法提供一個(gè)通用的硬件加速平臺(tái)。
　　本文首先對(duì)各類深度學(xué)習(xí)算法的算法流程、執(zhí)行特征、操作要素等方面進(jìn)行分析，總結(jié)和歸納深度學(xué)習(xí)算法中典型的運(yùn)算模板?；诜治觯岢隽藰?biāo)量處理器與向量處理器相結(jié)合的協(xié)處理

3、器架構(gòu)，命名為 SVP-DL（ Super-Vector co-Processor for Deep Learning algorithms），并設(shè)計(jì)了專門(mén)的指令集系統(tǒng)，用來(lái)編寫(xiě)應(yīng)用程序在SVP-DL上運(yùn)行。接下來(lái)文章詳細(xì)介紹了在SVP-DL處理器上映射深度學(xué)習(xí)算法的方法，并針對(duì)算法映射自動(dòng)化進(jìn)行了探討。我們將SVP-DL處理器布局在Xilinx XC7VX485T芯片上，并針對(duì)DBN算法的運(yùn)行結(jié)果與軟件運(yùn)行結(jié)果進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明