面向CNN的高能效模拟计算单元的设计

发布时间：2020-12-16 14:02

　　卷积神经网络(Convolutional Neural Network,CNN)已经成为机器学习的一项重要技术。在移动平台上,高能效对于CNN处理器来说至关重要,特别是在自动驾驶汽车、图像识别和其他物联网设备等能耗受限平台。对CNN处理器功耗进行分解,其功耗主要来源于两个方面:(1)数据访问功耗;(2)乘累加计算功耗。在许多网络模型上已经证明了二值化CNN网络(Binarized Weight Network,BWN)有高能效和接近全精度的识别能力。本文主要研究适用于BWN网络的新型矢量乘累加计算处理单元(Processing Element,PE)。论文主要工作包括:(1)总结了国内外提升CNN处理器能效的技术手段,重点分析了CNN中几种处理单元设计技术。考虑能效、面积等综合指标和CNN的容错性,选择了模拟矢量乘累加计算这一在提升网络能效方面具有很大优势的技术路线;(2)设计了存储和计算一体化的压控模拟乘累加计算单元,该计算单元提高了数据的复用率,减小了数据访问的功耗和乘累加计算功耗,相比于数字电路乘累加计算单元,本文提出的乘累加单元的计算功耗降低了32.7%;(3)设计了一种抗工艺... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

三个电压动态调节波形图

【参考文献】：
期刊论文
[1]基于FPGA的脉冲神经网络加速器设计[J]. 沈阳靖,沈君成,叶俊,马琪.  电子科技. 2017(10)
[2]基于FPGA的卷积神经网络加速器[J]. 余子健,马德,严晓浪,沈君成.  计算机工程. 2017(01)



本文编号：2920278