目录
一、简介
1.题目:
深度神经网络 FPGA 设计进展、实现与展望
2.时间:
2022.03
3.来源:
CHINESE JOURNAL OF COMPUTERS,计算机学报
4.简介:
论文从多个方面介绍了深度神经网络和FPGA以及二者结合的应用热点;
总结了基于FPGA的深度神经网络的设计思路与未来方向;
归纳了FPGA相关设计的评价指标;
分析了影响FPGA应用于深度神经网络的因素。
二、相关名词
ANN:Artificial Neural Network,人工神经网络
AutoML:Automatic Machine Learning,自动机器学习
SoC:System on chip,系统级芯片
brain-inspired chip:类脑芯片
RTL:Register Transfer Level,寄存器传输级
HLS:High Level Synthesis,高层次综合
三、 文章总体架构
1.深度神经网络发展与分类
目前主流的神经网络模型有:深度卷积神经网络、深度强化学习、轻量级神经网络、自动机器学习
2.深度神经网络的主流硬件平台
目前的硬件平台市场以通用性芯片(CPU、 GPU)、半制定化芯片(FPGA)、全制定化芯片 (ASIC)、集成电路芯片(SoC)和类脑芯片等为主。
综合计算能力强、灵活性高、设计简单、功耗低、设计成本低等多方面因素,FPGA更加适合应用于深度神经网络在普通领域的开发和使用。
3.FPGA开发流程
FPGA是一种半定制电路,目前开发有两种方式:寄存器传输级(RTL)描述和高层次综合(HLS)描述。
4.FPGA深度神经网络应用
图像检测与识别、目标跟踪、语音识别、文本处理、网络安全、智能控制
5.FPGA深度神经网络加速
①FPGA加速器:比如DLAU、 Deep-Burning、 DeepX等等
②NN压缩与加速:包括深度压缩、低秩估计、模型量化知识蒸馏
③计算加速与优化:矩阵乘法优化、卷积优化、频率优化
6.FPGA型号选择
一般来说,选择具体的芯片市,应该从芯片特点、规模大小、速度、功耗多方面考虑。
包括基于网络模型(如 AlexNet、VGG、GoogleNet等)的FPGA型号选择和基于应用(如图像识别、目标跟踪、目标检测等)的FPGA型号选择。
7.基于FPGA的深度神经网络的性能衡量指标
速度、能效、资源利用率、网络结构、应用