CARLA：一种可重构低能耗的卷积加速器架构
硬件体系结构
2020-10-05 v1
摘要
卷积神经网络（CNNs）已被证明在图像识别上极为准确，甚至超越人类识别能力。当部署于电池供电的移动设备时，需要高效的计算机架构以实现昂贵卷积运算的快速且节能的计算。尽管近期在 CNN 硬件加速器设计上取得进展，两个主要问题尚未被有效解决，尤其在卷积层结构高度多样时：（1）最小化耗能的片外 DRAM 数据搬移；（2）最大化处理资源执行卷积的利用率。因此，本工作提出一种节能架构，配备若干优化数据流以支持现代 CNN 的结构多样性。所提方法通过实现 VGGNet-16 和 ResNet-50 的卷积层进行评估。结果表明，该架构对大多数 3x3 和 1x1 卷积层达到 98% 的处理单元（PE）利用率，同时对 VGGNet-16 和 ResNet-50 的卷积层分别将延迟限制在 396.9 ms 和 92.7 ms。此外，该架构利用 ResNet-50 中的结构化稀疏性，在一半通道被剪枝时将延迟降低至 42.5 ms。
引用
@article{arxiv.2010.00627,
title = {CARLA: A Convolution Accelerator with a Reconfigurable and Low-Energy Architecture},
author = {Mehdi Ahmadi and Shervin Vakili and J. M. Pierre Langlois},
journal= {arXiv preprint arXiv:2010.00627},
year = {2020}
}
备注
12 pages