基于NOC结构的卷积神经网络加速器建模

发布时间：2021-01-04 08:43

　　随着人工智能的快速发展,人们对其核心算法神经网络的研究越来越多,然而通用处理器已经无法高效地满足应用需求。本文在对LeNet算法和AlexNet算法进行逐层分析的基础上,根据这两种算法在执行过程中的数据流都是进行单向逐层传递的特征设计了一种基于NoC结构的卷积神经网络加速器。该加速器采用带宽和延时等性能均优于网格结构的环形拓扑结构。在结构中设置16个资源节点,分为四个横向环和四个纵向环,采用包交换机制进行网络上的数据传输,传输微片的位宽为130bits。在1GHz的仿真频率下,加速器的理论峰值带宽可达2080Gb/s。资源节点使用功能比较全面的处理器核心代替简单的功能处理单元,以提高该加速器的通用性。采用SystemC语言建立时钟精确型模型,使用随机激励进行仿真,对整个加速器网络在不同注入率下进行性能测试,统计各个节点所接收到的数据包数量及总延迟时间。根据LeNet算法和AlexNet算法中各层的计算量和固有的算法结构对卷积神经网络进行映射,采用C语言对划分后的算法进行编程,并用RISC-V交叉编译工具链进行编译链接,再将其格式转换并载入到加速器的16个核上进行性能仿真。该加速器在1G... 

【文章来源】：西安理工大学陕西省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

机器学习对生物神经元抽象的神经元模型

图 2-2 多层感知器模型Figure2-2 Multilayer Perceptron Model于多层感知神经网络（Multi-Layer Perceptrons，MLPs）的范畴卷积层，采样层，分类层以及归一化层。其中卷积层的执行时时间的绝大部分。CNN 的输入神经元与输出神经元局部连接【38】，使用池化层降低数据维度，这些特点决定了 CNN 维度与量。卷积神经网络中最多的操作是卷积和采样。卷积层主要是行特征提取，采样是对输入特征图进行降维，减小数据量，防

2 NoC 基础结构片上网络（NoC）技术在芯片内部将大量的计算资源以网络形式相连接，实现了与“通信”功能的分离【40】。因此片上网络具有片上系统以高度集成方式实现数特征，又具有计算机网络以路由和交换技术实现数据通信的特征，集合了两者的优.1 拓扑结构拓扑结构是片上网络的核心之一，网络的拓扑结构表示了网络的形状，也表示了上的连通性，即路由器之间的互连方式。不同的拓扑结构会对整个 NoC 的性能的影响，因此对于不同的应用需要选取不同的拓扑结构。NoC 拓扑结构分为规非规则结构两个大类，规则结构包括星型结构，多边型结构，树型结构，蝴蝶型结结构，环面网络结构等，如图 2-3 所示。此外还有非规则的结构，非规则结构多些特殊应用定制的网络结构。

【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]类脑智能研究的回顾与展望[J]. 曾毅,刘成林,谭铁牛.  计算机学报. 2016(01)

博士论文
[1]片上网络监测系统的关键电路研究[D]. 戴力.西安电子科技大学 2012

硕士论文
[1]无监督特征学习结合神经网络应用于图像识别[D]. 敖道敢.华南理工大学 2014



本文编号：2956492