程佳风,王红亮
(中北大学 电子测量技术国家重点实验室,山西 太原030051)
近年来,卷积神经网络的应用范围越来越广泛,其应用场景也日益复杂,卷积神经网络的计算密集和存储密集特征日益凸显,成为快速高效实现卷积神经网络的限制。 于是基于GPU[1]、ASIC[2]、FPGA[3]的不同的加速器平台被相继提出以提升CNN 的设计性能。 GPU 的电力消耗巨大,硬件结构固定,限制了卷积神经网络在嵌入式设备的应用;ASIC 开发成本极高,灵活性低,不适合搭载复杂多变的卷积神经网络;FPGA 具有功耗低、性能高、灵活性好的特点,因此更加适用于卷积神经网络硬件加速的开发研究,但由于Verilog HDL 开发门槛高,开发周期相对较长,影响了FPGA 在卷积神经网络应用的普及[4-5]。
本文基于软硬件协同的思想,利用HLS 工具,在PYNQ-Z2 上实现了一个卷积神经网络加速器, 并采用矩阵切割的设计方法对卷积核运算进行优化。
本设计采用Xilinx 公司推出的PYNQ-Z2 开发板作为实验平台。 PYNQ-Z2[6-9]是基于Xilinx ZYNQ-7000 FPGA 的平台,除继承了传统ZYNQ 平台的强大处理性能外,还兼容Arduino 接口与标准树莓派接口,这使得PYNQ-Z2 具有极大的可拓展性与开源性。 PYNQ 是一个新的开源框架,使嵌入式编程人员无需设计可编程逻辑电路即可充分发挥Xilinx Zynq All Programmable SoC(APSoC)的功能。 与常规方式不同的是,通过PYNQ-Z2,用户可以使用Python 进行APSoC 编程,并且代码可直接在PYNQ2 上进行开发和测试。通过PYNQ-Z2,可编程逻辑电路将作为硬件库导入并通过其API 进行编程,其方式与导入和编程软件库基本相同。
卷积神经网络[10-13]是一种复杂的多层神经网络,擅长处理目标检测、目标识别等相关的深度学习问题。……