Snowflake：面向深度卷积神经网络的模型无关加速器
硬件体系结构
2017-08-09 v1
摘要
深度卷积神经网络 (CNN) 是用于执行目标检测、分类、语义分割和自然语言处理任务的深度学习首选模型。CNN 需要数十亿次运算来处理一帧。这种计算复杂性与卷积运算固有的并行性相结合，使 CNN 成为定制加速器的极佳目标。然而，在针对不同的 CNN 层次结构和数据访问模式进行优化时，定制加速器很难实现接近 100% 的计算效率。在这项工作中，我们提出了 Snowflake，一种可扩展且高效的加速器，它对 CNN 工作负载是模型无关的，并且被设计为始终在接近峰值的硬件利用率下运行。Snowflake 能够在现代 CNN 模型上实现超过 91% 的计算效率。Snowflake 在 Xilinx Zynq XC7Z045 SoC 上实现，能够达到 128G-ops/s 的峰值吞吐量，并且在 AlexNet CNN 模型上实现了 100 帧每秒的测量吞吐量和 120 G-ops/s，在 GoogLeNet CNN 模型上实现了 36 帧每秒和 116G-ops/s，在 ResNet-50 CNN 模型上实现了 17 帧每秒和 122 G-ops/s。据我们所知，Snowflake 是唯一一个在现代 CNN 上实现超过 91% 效率的已实现系统，也是唯一一个将 GoogLeNet 和 ResNet 作为基准测试套件一部分的已实现系统。
引用
@article{arxiv.1708.02579,
title = {Snowflake: A Model Agnostic Accelerator for Deep Convolutional Neural Networks},
author = {Vinayak Gokhale and Aliasger Zaidy and Andre Xian Ming Chang and Eugenio Culurciello},
journal= {arXiv preprint arXiv:1708.02579},
year = {2017}
}