文献阅读（10）：深度神经网络 FPGA 设计

目录

一、简介

1.题目：

2.时间：

3.来源：

4.简介：

二、相关名词

三、 文章总体架构

1.深度神经网络发展与分类

2.深度神经网络的主流硬件平台

3.FPGA开发流程

4.FPGA深度神经网络应用

5.FPGA深度神经网络加速

6.FPGA型号选择

7.基于FPGA的深度神经网络的性能衡量指标

8.影响FPGA应用于深度神经网络的因素

---

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

8.影响FPGA应用于深度神经网络的因素