超级会员免费看
本文档介绍了使用高层次综合方法在FPGA上实现和优化神经网络加速器的过程，重点关注深度学习应用。内容涵盖DSA设计的优势，如并行方案、访存优化和数值精度选择，以及FPGA的灵活性和能效。讨论了卷积神经网络的基本运算和推理阶段，包括卷积、全连接、激活和池化等算子，并强调了加速器的延迟、能效比和稳定性等关键指标。
卷积神经网络加速器设计与优化实验（一）
一.前言
本系列主要用高层次综合的方法复现了赛灵思和北京高能效研究所推出的神经网络加速器优化过程，并做了笔记和记录。
神经网络加速器设计与优化实验课程录播
二.实验介绍
- 领域专用架构设计（Domain-specific Architecture DSA)
- 根据应用的计算，访存特性设计专用的硬件架构。
- 提升性能能效。
- 面向一类应用而不是某一个特定的应用（ASIC)。
- 机器学习应用的神经网络加速器，图像处理GPU。
- DSA的优势
- 更加合理高效的并行方案
- 访存带宽的专门优化
- 数值精度的合理选取
- 领域专用的编程语言
- 目标领域 - 深度学习
- 计算量大，高度并发，模式简单，应用广泛
- 目标平台 FPGA
- 高灵活度，开发周期短，能效高。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
