文献类型：期刊文章

作　　者：袁子昂[1] 倪伟[1] 冉敬楠[1]

YUAN Ziang;NI Wei;RAN Jingnan(School of Microelectronics,Hefei University of Technology,Hefei 230601,China)

机构地区：[1]合肥工业大学微电子学院,安徽合肥230601

出　　处：《电子科技》

基　　金：国家自然科学基金(61874156);安徽省高校协同创新资助项目(GXXT-2019-030)。

年　　份：2022

卷　　号：35

期　　号：12

起止页码：35-42

语　　种：中文

收录情况：IC、JST、RCCSE、普通刊

摘　　要：神经网络被广泛应用于模式识别、预测分析、数据拟合等方面,是人工智能的重要基础。神经网络卷积计算量大且网络参数量多,导致了计算时间长且数据访存压力大等问题。针对以上问题,文中基于Winograd算法对卷积计算进行加速,设计了优化的硬件计算结构,提高了数据的复用效率和计算并行度。相较于滑窗卷积,文中所提加速器的计算效率提升了4.352倍。在卷积核梯度计算方面,该加速器采用优化的数据分配方式,减少了数据搬移且满足了多个PE并行计算的数据需求,与CPU相比性能提升了23倍。实验表明,该加速器在VGG-9网络模型下的卷积计算吞吐率可达192.55 GFLOPS,在训练后对CIFAR-10数据集的识别率为76.54%。

关 键 词：CNN硬件加速器  Winograd  FPGA 可重构 卷积加速  多路并行  图像识别 VGG网络  

分 类 号：TN47]