基于FPGA的类脑计算加速器的研究与设计
发布时间：2021-04-19 14:02
深度学习已经在语音识别、物体检测、自然语言处理、自动驾驶等多个领域中展现出了优异的性能。但高准确率的背后还存在计算代价大、通用智能水平弱等许多局限性。基于脉冲神经网络（Spiking Neuron Networks,SNN）的神经形态计算由于工作机理更接近于生物大脑,被认为有望克服深度学习的不足而成为解决人工智能问题的更佳途径。但是如何满足高性能、低功耗和适应规模伸缩需求仍是神经形态计算系统需要解决的挑战性问题。由于神经元和突触的种类较多,且目前SNN还处于研究阶段,出于灵活性和实现难度,现阶段更倾向于用软件来模拟和研究SNN。SNN软件仿真器NEST,具有支持神经元和突触模型多,且其更加关注于SNN的规模、动力学以及结构,而受到脑科学家、计算神经科学家的青睐。但是由于CPU本身的架构原因,导致NEST仿真器在CPU平台运行速度慢、功耗高。针对这些问题,本文的主要工作和创新点有以下几个方面:第一,为了分析NEST仿真器仿真速度慢的原因,设计了一种针对NEST仿真器的量化实验。分析NEST脉冲神经网络仿真器的工作原理以及计算密集点,量化实验数据,分析各个部分的仿真时间。通过两个典型的案例...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.3 本文主要工作
1.4 论文结构
第二章 类脑计算相关基础介绍
2.1 类脑计算
2.1.1 神经元模型
2.1.2 突触模型
2.1.3 网络拓扑
2.1.4 学习算法
2.2 类脑计算仿真工具NEST运行机制
2.3 ZYNQ平台介绍
2.4 ZYNQ开发方式
2.4.1 优化方法
2.4.2 开发流程
2.5 本章小结
第三章 基于ZYNQ的神经形态计算工作负载研究
3.1 NEST实现机制的SNN计算建模
3.1.1 内存与时间分布分析
3.1.2 SNN计算建模
3.2 NEST脉冲神经网络仿真器参数量化与性能分析
3.2.1 参数量化
3.2.2 性能评估
3.3 实验及结果
3.3.1 基准测试
3.3.2 建模与量化
3.4 本章小结
第四章 基于ZYNQ的神经形态计算加速方法研究与实现
4.1 STDP学习算法
4.1.1 HPC Bench Mark
4.1.2 STDP算法介绍
4.2 基于ZYNQ的神经形态计算加速方法研究与实现
4.2.1 NEST框架分析和加速方案选择
4.2.2 函数的优化
4.3 NEST仿真器的FPGA硬件加速器设计
4.3.1 NEST仿真器突触STDP学习算法对权重的更新流程
4.3.2 输入硬件架构设计
4.3.3 加速器整体架构设计
4.4 支持NEST仿真器集群的FPGA硬件架构设计
4.5 实验和总结
4.5.1 实验环境介绍
4.5.2 NEST官方Bench Mark仿真结果
4.5.3 FPGA资源利用情况
4.6 性能评估
4.7 本章小结
第五章 基于FPGA的脉冲神经网络仿真器
5.1 基于大脑皮质层的图像分类算法
5.1.1 SNN图像分类算法分析
5.1.2 LIF神经元模型分析
5.2 基于FPGA的 SNN硬件架构设计
5.2.1 NEST仿真器神经元计算模块设计
5.2.2 NEST仿真器与硬件数据交互模式
5.2.3 神经元模块设计
5.3 实验和结果分析
5.3.1 脉冲神经网络图片分类仿真结果
5.3.2 性能评估
5.4 本章小结
第六章 主要结论与展望
6.1 课题研究总结
6.2 展望
致谢
参考文献
附录:作者在攻读硕士期间发表的论文、成果和科研项目
【参考文献】：
期刊论文
[1]多媒体技术研究:2015——类脑计算的研究进展与发展趋势[J]. 黄铁军,施路平,唐华锦,潘纲,陈云霁,于俊清. 中国图象图形学报. 2016(11)
[2]脑科学与类脑研究概述[J]. 蒲慕明,徐波,谭铁牛. 中国科学院院刊. 2016(07)
本文编号：3147692
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.3 本文主要工作
1.4 论文结构
第二章 类脑计算相关基础介绍
2.1 类脑计算
2.1.1 神经元模型
2.1.2 突触模型
2.1.3 网络拓扑
2.1.4 学习算法
2.2 类脑计算仿真工具NEST运行机制
2.3 ZYNQ平台介绍
2.4 ZYNQ开发方式
2.4.1 优化方法
2.4.2 开发流程
2.5 本章小结
第三章 基于ZYNQ的神经形态计算工作负载研究
3.1 NEST实现机制的SNN计算建模
3.1.1 内存与时间分布分析
3.1.2 SNN计算建模
3.2 NEST脉冲神经网络仿真器参数量化与性能分析
3.2.1 参数量化
3.2.2 性能评估
3.3 实验及结果
3.3.1 基准测试
3.3.2 建模与量化
3.4 本章小结
第四章 基于ZYNQ的神经形态计算加速方法研究与实现
4.1 STDP学习算法
4.1.1 HPC Bench Mark
4.1.2 STDP算法介绍
4.2 基于ZYNQ的神经形态计算加速方法研究与实现
4.2.1 NEST框架分析和加速方案选择
4.2.2 函数的优化
4.3 NEST仿真器的FPGA硬件加速器设计
4.3.1 NEST仿真器突触STDP学习算法对权重的更新流程
4.3.2 输入硬件架构设计
4.3.3 加速器整体架构设计
4.4 支持NEST仿真器集群的FPGA硬件架构设计
4.5 实验和总结
4.5.1 实验环境介绍
4.5.2 NEST官方Bench Mark仿真结果
4.5.3 FPGA资源利用情况
4.6 性能评估
4.7 本章小结
第五章 基于FPGA的脉冲神经网络仿真器
5.1 基于大脑皮质层的图像分类算法
5.1.1 SNN图像分类算法分析
5.1.2 LIF神经元模型分析
5.2 基于FPGA的 SNN硬件架构设计
5.2.1 NEST仿真器神经元计算模块设计
5.2.2 NEST仿真器与硬件数据交互模式
5.2.3 神经元模块设计
5.3 实验和结果分析
5.3.1 脉冲神经网络图片分类仿真结果
5.3.2 性能评估
5.4 本章小结
第六章 主要结论与展望
6.1 课题研究总结
6.2 展望
致谢
参考文献
附录:作者在攻读硕士期间发表的论文、成果和科研项目
【参考文献】：
期刊论文
[1]多媒体技术研究:2015——类脑计算的研究进展与发展趋势[J]. 黄铁军,施路平,唐华锦,潘纲,陈云霁,于俊清. 中国图象图形学报. 2016(11)
[2]脑科学与类脑研究概述[J]. 蒲慕明,徐波,谭铁牛. 中国科学院院刊. 2016(07)
本文编号：3147692
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3147692.html
