Caffeinated FPGA：用于卷积神经网络的 FPGA 框架

Roberto DiCecco; Griffin Lacey; Jasmina Vasiljevic; Paul Chow; Graham Taylor; Shawki Areibi

Caffeinated FPGA：用于卷积神经网络的 FPGA 框架

计算机视觉与模式识别 2016-10-03 v1 分布式、并行与集群计算

作者: Roberto DiCecco , Griffin Lacey , Jasmina Vasiljevic , Paul Chow , Graham Taylor , Shawki Areibi

摘要

卷积神经网络（CNN）在机器学习领域获得了显著关注，尤其因其在视觉识别中的高准确率。近期的研究将 CNN 的 GPU 实现性能大幅提升，显著改善了其分类和训练时间。随着这些改进，出现了许多可在 CPU 和 GPU 上实现 CNN 的框架，但缺乏对 FPGA 实现的支持。在本文中，我们提出了带有 FPGA 支持的流行 CNN 框架 Caffe 的修改版本。这使得能够使用 CNN 模型进行分类，并结合专用的 FPGA 实现，同时具备在必要时重新编程器件的灵活性、主机与设备之间无缝的内存事务、易于使用的测试平台，以及创建流水线层实现的能力。为了验证该框架，我们使用 Xilinx SDAccel 环境实现了一个基于 FPGA 的 Winograd 卷积引擎，并展示了该 FPGA 层可以与运行在主机处理器上的其他层协同工作，以运行几种流行的 CNN（AlexNet、GoogleNet、VGG A、Overfeat）。结果表明，我们的框架在基准测试中的 3x3 卷积上达到了 50 GFLOPS。这是在一个实用的框架内实现的，将有助于未来基于 FPGA 的 CNN 的发展。

关键词

卷积神经网络 FPGA Caffe Winograd 卷积硬件加速 SDAccel

引用

@article{arxiv.1609.09671,
  title  = {Caffeinated FPGAs: FPGA Framework For Convolutional Neural Networks},
  author = {Roberto DiCecco and Griffin Lacey and Jasmina Vasiljevic and Paul Chow and Graham Taylor and Shawki Areibi},
  journal= {arXiv preprint arXiv:1609.09671},
  year   = {2016}
}

Caffeinated FPGA：用于卷积神经网络的 FPGA 框架

摘要

关键词

引用

相关论文