将卷积神经网络映射到 FPGA 上的工具流：综述与未来方向
计算机视觉与模式识别
2018-03-16 v1 硬件体系结构
机器学习
摘要
在过去十年中，卷积神经网络 (CNNs) 在各种人工智能任务中展现了 SOTA 性能。为了加速 CNNs 的实验与开发，已发布多个软件框架，主要针对高功耗的 CPU 和 GPU。在此背景下，以 FPGA 形式出现的可重构硬件构成了一个潜在的替代平台，可集成到现有的深度学习生态系统中，以在性能、功耗和可编程性之间提供可调的平衡。本文对现有的 CNN 到 FPGA 工具流进行了综述，包括对其关键特征的比较研究，这些特征涵盖支持的应用、架构选择、设计空间探索方法和达到的性能。此外，识别并阐述了 CNN 算法研究最新趋势引入的主要挑战与目标。最后，提出了一种统一的评估方法，旨在对 CNN 到 FPGA 工具流进行全面、完整且深入的评估。
引用
@article{arxiv.1803.05900,
title = {Toolflows for Mapping Convolutional Neural Networks on FPGAs: A Survey and Future Directions},
author = {Stylianos I. Venieris and Alexandros Kouris and Christos-Savvas Bouganis},
journal= {arXiv preprint arXiv:1803.05900},
year = {2018}
}
备注
Accepted for publication at the ACM Computing Surveys (CSUR) journal, 2018