-
题名基于动态可重构结构的卷积数据复用优化设计
- 1
-
-
作者
宋佳
蒋林
朱育琳
朱家扬
-
机构
西安科技大学电气与控制工程学院
-
出处
《传感器与微系统》
CSCD
北大核心
2024年第6期105-108,共4页
-
基金
国家自然科学基金重点资助项目(61834005/F0402)。
-
文摘
针对卷积神经网络(CNN)计算效率低、速度慢、硬件资源消耗大等问题,提出了基于动态可重构结构的卷积数据复用优化设计方案。利用可重构阵列邻接互连寄存器实现输入特征图数据和权值数据的复用,提高内存访问效率,采用层间多通道并行计算对神经网络卷积运算进行加速。经在AlexNet上测试,论文提出的数据复用策略使得卷积运算乘累加操作最高可减少44.05%。在Zynq—7000开发板上实现本文提出的优化方案。结果表明:相比于现有的基于现场可编程门阵列(FPGA)实现AlexNet的计算,本实验LUTs资源消耗减少12.86%、FF资源消耗减少约97.5%、DSP资源消耗减少约66.7%。
-
关键词
卷积神经网络
并行计算
数据复用
-
Keywords
convolutional neural network(CNN)
parallel computation
data reuse
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于可重构阵列的CNN数据量化方法
- 2
-
-
作者
朱家扬
蒋林
李远成
宋佳
刘帅
-
机构
西安科技大学通信与信息工程学院
西安科技大学计算机科学与技术学院
西安科技大学电气与控制工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2024年第4期1070-1076,共7页
-
基金
科技创新2030-“新一代人工智能”重大项目(2022ZD0119005)
国家自然科学基金重点资助项目(61834005)。
-
文摘
针对卷积神经网络(CNN)模型中大量卷积操作,导致网络规模大幅增加,从而无法部署到嵌入式硬件平台,以及不同粒度数据与底层硬件结构不协调导致计算效率低的问题,基于项目组开发的可重构阵列处理器,面向支持多种位宽的运算单元,通过软硬件协同和可重构计算方法,采用KL(Kullback-Leibler)散度自定义量化阈值和随机取整进行截断处理的方式,寻找参数定长的最佳基点位置,设计支持多种计算粒度并行操作的指令及其卷积映射方案,并以此实现三种不同位宽的动态数据量化。实验结果表明,将权值与特征图分别量化到8 bit可以在准确率损失2%的情况下将模型压缩为原来的50%左右;将测试图像量化到三种位宽下进行硬件测试的加速比分别达到1.012、1.273和1.556,最高可缩短35.7%的执行时间和降低56.2%的访存次数,同时仅带来不足1%的相对误差,说明该方法可以在三种量化位宽下实现高效率的神经网络计算,进而达到硬件加速和模型压缩的目的。
-
关键词
卷积神经网络
数据量化
可重构结构
并行映射
加速比
-
Keywords
convolutional neural network(CNN)
data quantization
reconfigurable structure
parallel mapping
acceleration ratio
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名货、网分账核算对货运收入影响的探讨
- 3
-
-
作者
朱家扬
-
机构
济南铁路局财务处
-
出处
《铁道财会》
2003年第Z01期61-64,共4页
-
-
关键词
铁路运输企业
内部结构
货运收入
核算体制
营业收入
分配体制
“货网分账核算”
-
分类号
F532.5
[经济管理—产业经济]
-
