本文重点介绍了Zynqnet在FPGA上的CNN算法设计，包括卷积层的需求分析，如1x1和3x3卷积、ReLU激活和全局平均池化。算法设计中探讨了矩阵乘法、快速傅里叶变换和滑窗卷积三种方法，Zynqnet选择了滑窗2D卷积。并行分析中强调了FPGA的并行计算优势，如输入通道、输出通道和卷积计算本身的独立性。数据复用策略利用板上内存减少外部读写，包括Image Cache、Output Cache、Global Pooling Cache和Weights Cache。
论文地址：https://github.com/dgschwend/zynqnet/blob/master/zynqnet_report.pdf
摘要：该论文核心内容从第三章开始依次介绍了CNN的优化分析和训练，第四章FPGA加速器的设计和实现，第五章实验结果和分析。关于cnn的优化分析和训练部分，不是本博文介绍的重点，需要一些深度学习知识支撑，重点介绍一下FPGA端的实现知识。
4.2算法设计
4.2.1 需求分析
• convolutional layers
- – kernel size 1×1, padding 0
- – kernel size 3×3, padding 1
- – stride 1 or stride 2
• ReLU nonlinearities
• concatenation
• global average pooling
以上内容为FPGA端需要实现的操作。
4.2.2 算法设计
给出了多通道下卷积计算的公式。然后分析了三种卷积计算的方法：
- Matrix Multiplication 使用gemm函数，将输入输出转化为矩阵乘法的计算
- Fast Fourier Transformation 快速傅立叶变换
- Sliding-Filter 2D Convolution Approach 卷积计算直观理解上的滑窗计算方法
Zynqnet选择使用最后一种卷积计算方法，然后给出了自己的算法，实现输入图片经过神经网络进行计算的功能。
按照如下计算顺序：
每个卷积层：
最低0.47元/天 解锁文章
扫一扫
345
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
