一种面向CNN加速、带向量指令集的应用专用VLIW处理器
硬件体系结构
2019-07-18 v1 机器学习
摘要
近年来，神经网络在物体识别等领域已超越经典算法，例如在著名的ImageNet挑战赛中。因此，人们大力投入开发快速高效的加速器，尤其是针对卷积神经网络（CNNs）的加速器。本工作提出ConvAix，一种完全可用C语言编程的处理器，与许多现有架构不同，它不依赖于硬连线的乘加（MAC）单元阵列，而是将计算映射到独立的向量通道上，并利用精心设计的向量指令集。该处理器面向延迟敏感型应用，每个周期最多可执行192次MAC操作。ConvAix在28nm CMOS工艺下以400 MHz目标时钟频率运行，从而在其目标领域内以适当的灵活性提供最先进的性能。来自知名CNNs（AlexNet、VGG-16）的若干二维卷积层的仿真结果表明，使用16位定点算术的向量指令时，平均ALU利用率为72.5%。与其他灵活性较差的知名设计相比，ConvAix提供高达497 GOP/s/W的具竞争力的能效，甚至在面积效率和的处理速度方面超越它们。
引用
@article{arxiv.1904.05106,
title = {An Application-Specific VLIW Processor with Vector Instruction Set for CNN Acceleration},
author = {Andreas Bytyn and Rainer Leupers and Gerd Ascheid},
journal= {arXiv preprint arXiv:1904.05106},
year = {2019}
}
备注
Accepted for publication in the proceedings of the 2019 IEEE International Symposium on Circuits and Systems (ISCAS)