面向资源受限系统应用的具有图像与特征分解的深度卷积神经网络流式加速器
硬件体系结构
2017-09-18 v1 人工智能
摘要
深度卷积神经网络（CNN）在现代人工智能（AI）和智能视觉系统中被广泛使用，但在资源受限场景（如移动设备、物联网（IoT）、无人机（UAV）等）中也受到计算延迟、吞吐量和能效的限制。提出了一种硬件流式架构，用于加速最先进深度CNN的卷积和池化计算。它通过最大化本地数据重用以减少片外DRAM数据访问，从而针对能效进行了优化。此外，引入了图像和特征分解技术，以在有限的片上SRAM容量内针对任意大小的图像和特征数量优化内存访问模式。原型加速器采用TSMC 65 nm CMOS工艺实现，核心面积为2.3 mm x 0.8 mm，实现了144 GOPS峰值吞吐量和0.8 TOPS/W峰值能效。
引用
@article{arxiv.1709.05116,
title = {A Streaming Accelerator for Deep Convolutional Neural Networks with Image and Feature Decomposition for Resource-limited System Applications},
author = {Yuan Du and Li Du and Yilei Li and Junjie Su and Mau-Chung Frank Chang},
journal= {arXiv preprint arXiv:1709.05116},
year = {2017}
}
备注
5 pages, 8 figures