FINN（一）简介一种快速，可扩展的二值化神经网络框架

摘要：

研究表明，卷积神经网络具有明显的冗余，即使权重和激活从浮点减少到二进制值，也可以获得高分类精度。在本文中，我们介绍了FINN，一个使用灵活的异构流体系结构构建快速和灵活的FPGA加速器的框架。通过利用一组新的优化功能，可以实现二值化神经网络到硬件的高效映射，我们实现了完全连接，卷积和池化层，每层计算资源可以根据用户提供的吞吐量要求进行调整。在aZC706嵌入式FPGA平台上，系统功耗低于25 W，我们展示了每秒1230万个图像分类，MNISTdataset上的延迟为0.31μs，准确率为95.8％，而CIFAR-10和SVHN数据集上的延迟为283μs，21906个图像分类次之，精度分别为80.1％和94.9％。据我们所知，我们是迄今为止在这些基准测试中报告的最快的分类。

介绍

卷积神经网络（CNNs）近年来得到了极大的改进，其性能现在超过了其他视觉识别算法，甚至超越了人类对某些问题的准确性。 它们可能在各种设备上实现无处不在的机器视觉和智能方面发挥重要作用，但仍然存在着重要的计算挑战。 现代CNN可能包含数百万个浮点参数，需要数十亿浮点运算来识别单个图像。 此外，随着研究人员探索更深层次的网络，这些要求往往会增加。 例如，Alex Net （2012年图像网大规模视觉识别竞赛（ILSVRC）的获奖作品）每张图像需要244 MB的参数和1.4亿浮点操作（GFLOP），而VGG- 来自ILSVRC 2014的16需要552MB参数和每张图像30.8 GFLOP。

虽然绝大多数CNN使用浮点参数，但越来越