面向媒體應(yīng)用的高能效神經(jīng)網(wǎng)絡(luò)可重構(gòu)陣列結(jié)構(gòu)與系統(tǒng)調(diào)度.pdf

1、近年來(lái)，隨著互聯(lián)網(wǎng)和信息技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)逐漸成為信息技術(shù)領(lǐng)域的研究熱點(diǎn)，在圖像識(shí)別、語(yǔ)音翻譯和視頻檢測(cè)等媒體領(lǐng)域有著廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)算法種類繁多，可以通過(guò)不同的權(quán)重系數(shù)實(shí)現(xiàn)不同的功能。粗粒度可重構(gòu)架構(gòu)可以通過(guò)配置實(shí)現(xiàn)不同的算法功能，兼?zhèn)淞烁哽`活性和高能效性。本文結(jié)合可重構(gòu)架構(gòu)和神經(jīng)網(wǎng)絡(luò)算法的共性特征，對(duì)面向媒體處理的可重構(gòu)神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行了研究。
　　本文從媒體算法和神經(jīng)網(wǎng)絡(luò)算法的特征入手，選取多層感知器(Mult

2、i-Layer Perceptron，MLP)處理圖像和視頻編碼中運(yùn)算量大的部分算法。本文分析了面向媒體處理的可重構(gòu)神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)中的權(quán)重、配置和計(jì)算數(shù)據(jù)的數(shù)據(jù)流特征，為系統(tǒng)優(yōu)化奠定基礎(chǔ)。在可重構(gòu)神經(jīng)網(wǎng)絡(luò)陣列方面，本文通過(guò)AxBench近似計(jì)算平臺(tái)，得出了相對(duì)較優(yōu)的陣列規(guī)模。針對(duì)MLP網(wǎng)絡(luò)的數(shù)據(jù)流特征，設(shè)計(jì)了一種基于計(jì)算負(fù)載動(dòng)態(tài)自適應(yīng)的路由結(jié)構(gòu)，降低了陣列路由的復(fù)雜度，提高了陣列的計(jì)算性能和PE利用率。通過(guò)配置壓縮和權(quán)重分組的方法減少

3、了片上存儲(chǔ)的硬件開(kāi)銷。在系統(tǒng)調(diào)度方面，本文一方面結(jié)合媒體數(shù)據(jù)采樣關(guān)系，設(shè)計(jì)了針對(duì)權(quán)重、配置的調(diào)度策略和調(diào)度模塊，對(duì)權(quán)重和配置進(jìn)行預(yù)加載，填充了流水氣泡，提高了系統(tǒng)的計(jì)算性能。另一方面，結(jié)合視頻編碼多個(gè)模塊間的數(shù)據(jù)調(diào)度特征和運(yùn)動(dòng)矢量可預(yù)測(cè)特征，本文設(shè)計(jì)了基于動(dòng)態(tài)預(yù)取機(jī)制的多模式數(shù)據(jù)調(diào)度策略及調(diào)度模塊，既解決了多個(gè)模塊間的數(shù)據(jù)交互問(wèn)題又以較少的存儲(chǔ)開(kāi)銷實(shí)現(xiàn)了較高的預(yù)取命中率，提升了訪存性能。
　　本文設(shè)計(jì)的基于計(jì)算負(fù)載自適應(yīng)的路由結(jié)構(gòu)

4、相比單一的Mesh路由結(jié)構(gòu)計(jì)算性能提升了30.1％，PE利用率提升了16.7％。此外，在配置壓縮和權(quán)重分組的基礎(chǔ)上，配置和權(quán)重的調(diào)度模塊又將系統(tǒng)性能提升10.0％?；诟吣苄?dòng)態(tài)預(yù)取機(jī)制的數(shù)據(jù)緩存模塊在僅用12KB存儲(chǔ)開(kāi)銷的情況下取得了90％以上的預(yù)取命中率，訪存性能提升了39％～45％。本文采用SMIC40nm的工藝對(duì)基于可重構(gòu)神經(jīng)網(wǎng)絡(luò)媒體處理系統(tǒng)進(jìn)行了綜合驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，圖像模式可以實(shí)現(xiàn)17fps～87fps@480P的編碼操作