可重构卷积神经网络加速器设计与实现

针对卷积神经网络(CNN)中卷积核的多样性导致加速器难以实现高效计算的问题,提出了一种可重构卷积神经网络加速器实现方法.加速器包括18个处理引擎(PE),每个PE包含9个乘累加单元,3个PE构建一个5×5卷积核实现卷积核重构,调度器通过控制每层所需的卷积核大小和通道数分配PE实现卷积处理.加速器支持常见的3×3,5×5卷积核的网络模型,加速器采用数据复用以及并行处理的设计方法,有效降低了存储访问次数,提高了加速器的计算高效性.通过对AlexNet进行验证,实验表明:使用XC7Z045平台在150 MHz的工作频率下,能效比可以达到16.89 GOP/s/W,相比于当前典型设计,能效比分别有410％,270％,78％,19％的提升.