DeepDive：一种面向深度可分离卷积神经网络算法/架构协同设计的集成方法
硬件体系结构
2020-07-21 v1
摘要
深度可分离卷积神经网络（DSCNNs）已成为新兴范式，其通过提供具有结构稀疏性的模块化网络，以相对更少的操作和参数实现更高精度。然而，缺乏能够适配 DSCNNs 稀疏性并提供灵活方案的定制化架构。本文提出 DeepDive，一个全功能、垂直的协同设计框架，用于在边缘 FPGA 上高效功耗实现 DSCNNs。DeepDive 的架构支持关键异构计算单元（CUs），以充分支持具有结构稀疏性互连的各种卷积算子的 DSCNNs。它提供 FPGA 感知训练与在线量化，并结合为 DSCNNs 定制的模块化可综合 C++ CUs。在 Xilinx ZCU102 FPGA 板上的执行结果表明，对于 MobileNet-V2 和紧凑版 EfficientNet 这两种最先进的深度可分离 CNN，分别达到 47.4 和 233.3 FPS/Watt。这些对比展示了 DeepDive 相较 Jetson Nano 高、低功耗模式分别将 FPS/Watt 提升 2.2 和 1.51，并相较其他两种 FPGA 实现分别提升约 2.27 和 37.25。DeepDive 针对 MobileNetV2 的输出可在 https://github.com/TeCSAR-UNCC/DeepDive 获取。
引用
@article{arxiv.2007.09490,
title = {DeepDive: An Integrative Algorithm/Architecture Co-Design for Deep Separable Convolutional Neural Networks},
author = {Mohammadreza Baharani and Ushma Sunil and Kaustubh Manohar and Steven Furgurson and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2007.09490},
year = {2020}
}