文献阅读(75)

  • 题目:Bit-Slicing FPGA Accelerator for Quantized Neural Networks
  • 时间:2019
  • 会议:ISCAS
  • 研究机构:蒙特利尔大学/IBM

1 abstract & introduction

本篇论文的主要贡献:

  1. 对于量化的神经网路利用bit-slicing和矩阵向量乘积的方法实现,提高性能
  2. 同时采用流处理结构,减少了片外数据读写

相关工作:
Finn: A framework for fast, scalable binarized neural network inference 2017 FPGA
Design flow of accelerating hybrid extremely low bit-width neural network in embedded fpga 2018 FPL

2 提出的架构

2.1 卷积向量单元

可以进行n维方阵和n维向量之间的乘法,只不过矩阵和向量的element都是binary的,同时集成了最大池化和ReLU激活层
在这个电路中n=64,一共8个MVU,所以一个时钟周期可以完成64x64x8个MAC,250MHz的时钟频率就可以达到8.2TMAC/s,虽然这些MAC都是面向binary的

2.2 bit slicing

参考了论文Stripes: Bit-serial deep neural network computing 2016 MICRO
采用位串行的方式计算,对于r比特乘s比特的标量乘法,一共需要rs个一比特乘法,本文按照从MSB到LSB的顺序计算
在这里插入图片描述

2.3 数据流

刚刚说MVU是n维方阵,实际就对应n个input channel和n个output channel

Data vectors are 2n bits large, allowing for n ternary or binary elements意思应该是data是二值化或者三值化的
Weights tiles are n × n bits large and binary-only意思是权重是单值化的

为了最大限度地利用MVU的并行处理能力,在考虑权值对单个MVU的局部性的同时,最小化进出有限外部存储器接口的通信量,需要将神经网络的序列层权值分配给连续的MVU。
在CNNs的情况下,这允许所有MVU在它们可用时立即开始处理它们各自的图像数据行,防止它们空闲。
此外,如果CNN是纯前馈或近似前馈的,则以循环方式映射其层会导致权重在所有MVU之间的大致均匀分布,并且只需要一个轻量级的环互连。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值