近年来,神经网络已经应用在无人驾驶、医学、地质探测等各个领域。随着卷积神经网络的发展,从Le Net网络结构到VGG网络结构,网络越来越深,每层的规模也越来越大,随之而来的是计算量和参数量越来越大的问题。一般神经网络的训练计算由服务器端进行,再将训练好网络发送到终端进行推理计算,以满足终端的智能化需求。但该传输过程可能会造成用户一些隐私数据的泄露,缺乏安全性,同时终端也缺乏本地的自我训练调整的能力。由于设备智能化需求和数据安全需求,神经网络计算载体开始从大型服务器慢慢向终端发展。针对上述的问题,本文对CNN的推理训练过程进行了硬件加速,设计了一种可配置重构的神经网络加速器,支持推理和训练计算,加速器通过指令配置的方式使其能够适应不同神经网络结构的计算。主要工作内容如下:1.对神经网络各层的推理训练计算过程进行分析,在计算结构和数据搬移方面针对不同的计算设计优化的计算方案。2.本文设计了一种可重构的PE计算结构,并以此为基本单元设计了可重构的PE阵列,PE阵列可以根据配置信息重构成不同的高效计算结构,以加速神经网络中的不同计算。3.针对不同的网络结构,本文设计了一套指令系统,通过将神经网络的各层参数化,并转换成指令配置加速器进行神经网络计算,使得神经网络加速器可以适应不同的网络结构完成计算。4.加速器拥有多个计算通道,以提高加速器计算的并行度。本文为了适应不同计算模式的多通道并行计算,针对不同计算设计了相应的地址映射方式和数据分配方式,以满足并行计算的数据需求。5.本文设计的加速器于FPGA上完成实现。本文以VGG-9为网络结构,CIFAR-10为数据集,对加速器进行性能测试和功能验证。本文优化的Winograd计算模式与普通的滑窗卷积相比,提升了近5.41倍的计算速度。在推理和训练各阶段,加速器相对于CPU提升了18-35倍的计算速度。在训练完成后以测试集对加速器进行验证,最终识别率为76.54%。