Chain-NN：一种用于加速深度卷积神经网络的节能一维链式架构
硬件体系结构
2017-03-07 v1 机器学习
摘要
深度卷积神经网络在许多计算机视觉任务中表现出色。然而，CNN 的高计算复杂度导致计算处理器核心与存储层次之间存在大量数据搬移，占据了功耗的主要部分。本文提出 Chain-NN，一种用于加速深度 CNN 的新型节能一维链式架构。Chain-NN 由专用的双通道处理引擎构成。在 Chain-NN 中，卷积由一组相邻 PE 组成的一维脉动原语完成。这些脉动原语与所提出的列式扫描输入模式相结合，可充分复用输入操作数，从而降低对存储带宽的需求以实现节能。此外，一维链式架构允许脉动原语根据特定 CNN 参数轻松重构，且设计复杂度更低。Chain-NN 的综合与版图基于 TSMC 28nm 工艺，耗费 3751k 逻辑门和 352KB 片上存储。结果显示，一个 576-PE 的 Chain-NN 可扩展至 700MHz，实现 806.4GOPS 的峰值吞吐量，功耗为 567.5mW，并能以 326.2fps 的帧率加速 AlexNet 中的五个卷积层。其 1421.0GOPS/W 的能效至少比现有最佳工作高出 2.5 至 4.1 倍。
引用
@article{arxiv.1703.01457,
title = {Chain-NN: An Energy-Efficient 1D Chain Architecture for Accelerating Deep Convolutional Neural Networks},
author = {Shihao Wang and Dajiang Zhou and Xushen Han and Takeshi Yoshimura},
journal= {arXiv preprint arXiv:1703.01457},
year = {2017}
}
备注
DATE 2017