二值化卷积神经网络作为一种量化模型,具有模型体积小、运算效率高等显著优点,是卷积神经网络模型在低功耗嵌入式端部署的理想形式.本文分析了二值化卷积神经网络的特点,提出了针对批归一化层及二值化层改进,设计出了无需乘法运算单元...二值化卷积神经网络作为一种量化模型,具有模型体积小、运算效率高等显著优点,是卷积神经网络模型在低功耗嵌入式端部署的理想形式.本文分析了二值化卷积神经网络的特点,提出了针对批归一化层及二值化层改进,设计出了无需乘法运算单元的二值化卷积神经网络硬件架构并在FPGA平台上实现.结果表明,在运算量相同情况下,该设计在工作频率150MHz下相比i5-7500 CPU实现了约9.7倍的加速,相比1080 Ti GPU实现了1.7倍的加速,而功耗仅为CPU的21%、GPU的5.6%。展开更多
文摘二值化卷积神经网络作为一种量化模型,具有模型体积小、运算效率高等显著优点,是卷积神经网络模型在低功耗嵌入式端部署的理想形式.本文分析了二值化卷积神经网络的特点,提出了针对批归一化层及二值化层改进,设计出了无需乘法运算单元的二值化卷积神经网络硬件架构并在FPGA平台上实现.结果表明,在运算量相同情况下,该设计在工作频率150MHz下相比i5-7500 CPU实现了约9.7倍的加速,相比1080 Ti GPU实现了1.7倍的加速,而功耗仅为CPU的21%、GPU的5.6%。
