一种基于FPGA的卷积神经网络加速器的设计与实现

张 榜，来金梅

(复旦大学 专用集成电路与系统国家重点实验室，上海 201203)

卷积神经网络(Convolutional Neural Network, CNN)是一种受动物视觉皮质(Visual Cortex)结构形式启发，而形成的一种前馈神经网络(Feed-Forward Artificial Neural Network).该种神经网络通常由输入层、卷积层、池化层、全连接层和输出层组成.其中： 输入层即为所要识别的图像信息；卷积层主要由卷积核组成，作用是对输入特征图(Input Feature Map)的信息进行特征提取，并映射到输出特征图(Output Feature Map)中；池化层主要对输出特征图进行下采样，以降低传递特征所需的数据量；全连接层对卷积层最终输出的特征图进行综合处理，完成从特征图对识别标签的映射.输出层将针对每个标签得到的识别结果转化为便于观察形式，比如概率的形式.近年来，卷积神经网络在图像识别领域取得了显著的进展.在ILSVRC(Image-Net Large Scale Visual Recognition Challenge)[1]中，卷积神经网络方案[2-5]相比于传统的图像识别方案显示出了明显的优势，促进了工程领域对卷积神经网络在实际应用场景中实现方案的探索.

然而，常用的网络模型在计算量上均达到了10亿量级，同时参数量上达到了上百兆的量级，因此无论是卷积神经网络的训练还是识别，通常需要高性能的GPU、大容量的存储设备或者大功率的服务器集群为其提供计算和存储的支持.随着智能设备的普及，嵌入式设备对图像快速、准确识别的要求越来越高.对于资源紧张、功耗较为敏感的嵌入式设备来说，庞大的计算量和参数量使得神经网络为卷积神经网络的实现提出了较为……