基于开源处理器Rocket 的异构SoC 设计与验证

高 营，刘 德，鞠 虎

（中科芯集成电路有限公司，江苏无锡 214072）

1 引言

图像处理技术的快速发展使卷积神经网络（CNN）算法得到广泛应用[1]。CNN 隐层数的增加需要硬件处理器具备更高的运算性能。当前，为加速神经网络的计算主要采用GPU 或者专用硬件加速器的方法来缓解卷积运算的压力[2]。由此，CPU 外加运算加速器的异构片上系统（SoC）是目前主要的研究热点之一。本文设计了激活函数（ReLU）和向量点积运算（VDP）硬件加速器，同开源处理器Rocket core、开源外设项目Si-Five Blocks 搭建成一个精简的异构SoC。该异构SoC 通过编译软件程序在FPGA 平台上的演示，在一定程度上表明了对CNN 加速的应用研究价值。

2 系统架构

异构SoC 的系统架构主要由Rocket core、ITCM、DTCM、SoC 总线、BootRom、SPI、UART、ReLU 协处理器和VDP 协处理器等部分构成，具体结构如图1 所示。

图1 系统结构

内存的映射关系如表1 所示。

表1 内存映射

Si-Five Blocks 中通用外设 UART、SPI 等不再详细介绍，以下主要介绍两个加速器模块：ReLU 激活函数协处理器和VDP 协处理器。

2.1 ReLU 激活函数协处理器

CNN 隐层主要包含卷积层、激活函数、池化层以及全连接层[3]。其中激活函数作为增加神经网络模型非线性的手段，在算法中起到十分重要的作用[4]。当前常用的激活函数有sigmoid 和ReLU 激活函数。相对于sigmoid 激活函数计算量较大、收敛速度慢的问题，ReLU 激活函数只需判断输入是否大于零，计算量较小、收敛速度快且更符合生物学的神经激活机制[5]，其表达式如下：

可以看出ReLU 激活函数为求最大值函数，x 小于0 时函数值为0，大于0 时函数值为x 本身，具体函数如图2 所示。

图2 ReLU 函数