一种面向深度CNN的串行累加数据流高能效加速器架构
信号处理
2020-02-19 v1 硬件体系结构
摘要
近年来，卷积神经网络（CNNs）在许多视觉任务中展现出卓越的精度。然而，在便携设备和嵌入式系统上部署CNN时，大量的参数与计算导致处理时间长、电池续航短。设计CNN硬件加速器的一个重要因素是将卷积计算高效地映射到硬件资源上。此外，为节省电池电量并降低能耗，必须减少DRAM访问次数，因为与其他硬件操作相比，DRAM的能耗高出几个数量级。本文提出了一种高能效架构，其在要求少量DRAM访问的同时，最大化地利用其计算单元进行卷积运算。实现结果表明，该架构使用VGGNet模型执行一项图像识别任务，延迟为393 ms，DRAM访问量仅为251.5 MB。
引用
@article{arxiv.2002.07711,
title = {An Energy-Efficient Accelerator Architecture with Serial Accumulation Dataflow for Deep CNNs},
author = {Mehdi Ahmadi and Shervin Vakili and J. M. Pierre Langlois},
journal= {arXiv preprint arXiv:2002.07711},
year = {2020}
}
备注
4 pages