基于FPGA的CNN自動代碼生成設計與實現(xiàn).pdf

1、卷積神經(jīng)網(wǎng)絡(CNN)是一種非常重要的深度學習算法,由于通過它得到的結(jié)果識別效率高,因而得到了廣泛的重視,成為眾多科學領域的研究熱點之一。除此之外,它在很多領域應用廣泛,例如物體檢測,圖像識別等領域。目前,以應用為目標的深度學習相關算法發(fā)展迅速,這大大拓展了其應用的研究領域。
　　一般來說,深度學習技術包括兩個過程:數(shù)據(jù)訓練和數(shù)據(jù)推斷,而這兩個過程對硬件資源的需求不同。GPU適用于數(shù)據(jù)訓練階段,而數(shù)據(jù)推斷階段則需要在移動設備上,尤

2、其是FPGA。鑒于FPGA具有高性能、靈活、發(fā)展周期快速等優(yōu)點,各種基于FPGA平臺的深度卷積神經(jīng)網(wǎng)絡加速器相繼被提出。雖然FPGA加速器已經(jīng)表現(xiàn)出比通用處理器更好的性能,但是在移動設備上加速器設計的難度卻并未被降低,尤其是在ARM+FPGA開發(fā)板上實現(xiàn)非常困難?，F(xiàn)有CNN加速器在設計構(gòu)造過程中,需要設計人員對CNN各個模塊進行描述,傳統(tǒng)的方式是通過編寫代碼或者利用高層次綜合技術。顯而易見,編寫代碼過程不僅難度大,而且還可能因為人為因素

3、在編寫代碼時產(chǎn)生不必要的錯誤,從而導致開發(fā)周期長。這一關鍵問題得不到解決,就會導致加速器的設計難度加大。
　　本文為了克服上述困難,設計和實現(xiàn)了如下內(nèi)容:基于自動代碼生成技術的CNN設計,其編碼采用OpenCL。由于構(gòu)成不同體系架構(gòu)的CNN模塊代碼基本上是相同的,因此可以將自動代碼生成技術應用到硬件卷積神經(jīng)網(wǎng)絡加速器上。該方法利用自動代碼生成器自動地生成與卷積神經(jīng)網(wǎng)絡各模塊相一致的OpenCL代碼,然后再利用FPGA對生成的Ope