【摘 要】
:
卷积神经网络自问世以来一直在计算机视觉领域发挥着重要的作用,随着科学研究的进步和技术的发展,卷积神经网络能够胜任愈发复杂的任务。然而随之而来的后果是模型越来越复杂,参数量也在不断地提升,神经网络的训练和推理需要消耗大量的时间资源以及硬件资源。传统的通用芯片如CPU、GPU平台在处理复杂神经网络模型的问题上遇到了瓶颈,于是人们开始把目光投入到专用加速芯片的研究上。研究人员通过针对性的体系结构设计,采
论文部分内容阅读
卷积神经网络自问世以来一直在计算机视觉领域发挥着重要的作用,随着科学研究的进步和技术的发展,卷积神经网络能够胜任愈发复杂的任务。然而随之而来的后果是模型越来越复杂,参数量也在不断地提升,神经网络的训练和推理需要消耗大量的时间资源以及硬件资源。传统的通用芯片如CPU、GPU平台在处理复杂神经网络模型的问题上遇到了瓶颈,于是人们开始把目光投入到专用加速芯片的研究上。研究人员通过针对性的体系结构设计,采用新型存储器件等举措,增大数据的复用率、减少存储单元和计算单元间的数据存取,设计出了一个又一个专用于神经网络的硬件加速芯片。相比于传统的通用芯片,它们性能更高,耗能更低,能很好地映射复杂的卷积神经网络模型,提升执行的效率。同时随着芯片的复杂度的提升,为了提高流片的成功率,芯片验证工作也开始慢慢被人们所重视,现在已经成为芯片开发流程里必不可少的关键一环。本文首先介绍了神经网络的生物神经元模型以及基本数学模型,总结概括了神经网络的发展历史与现状,重点介绍了卷积神经网络的基本原理和概念,分析了典型卷积神经网络的结构。随后介绍了神经网络加速器的相关研究,对不同的神经网络加速器进行总结分类,对一些具有代表意义的成果进行了分析研究。除此之外,因为芯片验证这个环节在整个芯片开发流程的关键性,本文还介绍了芯片验证的相关流程与规划,同时对目前最主流的验证方法学:通用验证方法学(Universal Verification Methodology,UVM)进行了分析,阐述了验证平台的结构与运行机制,为接下来的针对本设计方案的验证做好了铺垫。随后本文详细地介绍了所设计的一种多精度神经网络加速器,本设计可以满足四种精度数据类型的运算,随后针对四个二级模块:输入缓冲模块,神经网络计算单元,结果处理模块,内存调度单元,从架构、接口、指令配置等不同的方面进行了剖析。深刻理解神经网络加速器中关于存储单元与计算单元的数据交互、计算单元中的数据流、数据复用等关键性问题。在完成设计后本文还将芯片验证的流程引入本次研究,首先对模块级验证进行了详细的验证规划,规划完成后开始验证平台的搭建以及功能点的检测。同时提出了一种模块级验证的复用方案,在后续进行类似的验证时可以省去重复的步骤,提高工作效率。在模块级验证的基础上对系统进行验证,映射了一个自己搭建的简单卷积神经网络并以MNIST手写数字集进行测试,在所有数据精度下结果的准确率都能达到98%以上,在结果准确率满足要求的基础上进一步验证加速性能,在100MHz的时钟频率下帧率可达1894fps,对比CPU和GPU加速性能均有提升,达到了预期的目标。
其他文献
太赫兹波位于微波和红外波之间,具有瞬时性、光子能量低、高穿透性等优良特性,可应用于高灵敏度检测、高精度成像和无线通信等领域。由于太赫兹电磁波不会对生物组织产生负面的电离危害且很多生物大分子在太赫兹波段具有较强的集体震荡,可以增强对生物分子检测的灵敏度,随着太赫兹频谱技术的发展,太赫兹波在生物传感方面的研究成为一个重要方向。超材料(metamaterial)是一种具有特殊的物理特性的人工复合电磁材料
三维霍尔传感器是为了满足现代产业的极速发展而出现的。现在的三维霍尔传感器大多由硅材料制成,其具有良好的工艺兼容性,但由于硅材料的载流子迁移率低、禁带宽度窄,基于硅的霍尔传感器的灵敏度较低、温度稳定性较差。GaAs材料的载流子迁移率高、禁带宽度大,用其制备的霍尔传感器具有更高的灵敏度与更好的温度稳定性,并且可以利用GaAs基异质结的高迁移率载流子特性来进一步提升传感器的性能。本文首先对GaAs基异质
在过去的几年时间里,4G的普及推动着移动互联网行业的飞速发展;可以预见在未来的几年时间中,5G的全面铺开也必将会给物联网带来新的发展。随着网速越来越快,人们对信号传输过程中的编译码时延要求也越来越高。近些年深度学习在很多领域已经取得了重大的突破,也越来越多地被应用于各行各业,其“一次训练到处推理”的特点非常适合用来处理信道译码任务。利用深度学习,在神经网络中学习到某种编码的特征,将带有这种特征的模
近年来,视频作为可视媒体数据的重要组成部分深深影响着人们的生活。视频信号在产生、传输过程中常受到噪声的影响,给用户带来不良的视觉体验。视频去噪是提升视频质量的有效手段,并且是视频处理领域的热点研究问题之一。近年来,基于经典信号处理方法的视频去噪已经遇到了技术瓶颈,基于深度学习的去噪方法正成为主流的视频去噪方法。基于深度学习的视频去噪方法虽然带来了去噪性能的显著提升,但仍无法充分利用视频内部的先验信
在已经步入信息时代的今天,我们的生活中每时每刻都在产生着不计其数的视频数据。而在安防领域,覆盖城市的监控摄像头网络,每天在保卫着人们的生命与财产安全的同时,也会产生大量的监控视频数据。在发生事故后,监控视频通常是用于还原事故原因、追查嫌疑人的有效法宝。但覆盖整座城市的监控网络,其产生的视频不仅数量巨大,而且并非全部视频都包含有用的信息,在人群稀疏处的监控摄像头可能拍摄的大部分视频都是背景。大量的监
伴随着世界更加数字化、信息化,人们开始渴望通信系统领域的相关技术应用可以更加智能化。近年来,一大批深度学习研究学者将目光逐渐深入到军事雷达通信和卫星导航等领域,不断地有基于深度学习的信号调制识别、载波信号检测等算法被提出。然而,深度学习算法复杂,运算起来通常比较耗时。在对相关技术的实际应用中,人们还是希望可以在小巧易携带且节能环保的嵌入式设备上实施操作,并希望能够在低功耗的嵌入式设备上,更快地实现
目前许多无线传感器网络已经用在了环境安全监测中,以至于当安全事故即将发生时安全监测中心能够根据传感器所采集过来的信息提前做出预警;但是当安全事故真正发生时,很多时候安全监测中心并没有提前做出预警或者预警不及时,从而导致人员伤亡。监测系统没有正常运行的原因之一是输入到监测系统中的传感器数据不正确,导致监测系统无法识别出当时环境中的真正情况,从而没有发出预警;因此在监测系统处理对数据进行处理之前,需要
大功率毫米波回旋行波管由于其输出功率大、工作带宽宽、效率高等优点,因此其能够在军事、航空、国防等重要领域发挥重要作用,而要使得回旋行波管正常需要大功率高压电源系统为其进行稳定的供能,因此必须确保大功率高压电源系统工作的稳定性。但因为行波管在工作时可能由于真空度异常而产生打火现象,从而对大功率高压电源系统造成损害,进而影响整个行波管的工作,并且由于大功率高压电源系统其内部关键信号的正常产生与否是确保
近些年来,人工智能在各个领域发展迅速,特别是在物体识别,视频监测等方面发挥着十分重要的作用,人工智能所表现出来的卓越成绩和优秀的学习能力,使得越来越多的学者对人工智能产生了极大的兴趣。人的大脑可以控制生物完成十分复杂的学习行为,受此启发使得神经网络得到了发展,卷积神经网络作为神经网络的重要分支,具有容易实现且易训练的特性,同时,卷积神经网络的运算速度也使其发展面临着更严峻的挑战。因此本文提出了一种
实际生活中我们常常需要对模糊图像进行处理,不管是由相机抖动,还是噪声干扰、本身分辨率不够等原因引起的,都需要一种有效的方法将不清晰的模糊的图像变为清晰的图像。近期,越来越多的卷积神经网络模型被提出,可以快速高效地实现超精度图像重建的功能。经过前期的文献调研,发现快速超分辨率卷积神经网络(Fast Super-Resolution Convolutional Neural Network,FSRCN