面向 FPGA 上高效实现 2D 与 3D 反卷积神经网络的统一架构
分布式、并行与集群计算
2019-03-08 v1
摘要
三维反卷积在许多计算机视觉应用中被广泛使用。然而，以往大多数工作仅关注在 FPGA 上加速 2D 反卷积神经网络（DCNN），而 3D DCNN 的加速由于比 2D DCNN 具有更高的计算复杂度和稀疏性，尚未被深入研究。在本文中，我们通过提出在统一架构上映射 2D 和 3D DCNN 的高效方案，专注于在 FPGA 上加速二者。通过在 Xilinx VC709 平台上针对四个真实 2D 和 3D DCNN 实现我们的设计，我们可达到高达 3.0 TOPS 的高硬件效率。与 CPU 和 GPU 方案的比较表明，相对于 CPU 方案我们可实现高达 63.3 倍的吞吐率提升，且相比 GPU 方案能效提升高达 8.3 倍。
引用
@article{arxiv.1903.02550,
title = {Towards a Uniform Architecture for the Efficient Implementation of 2D and 3D Deconvolutional Neural Networks on FPGAs},
author = {Deguang Wang and Junzhong Shen and Mei Wen and Chunyuan Zhang},
journal= {arXiv preprint arXiv:1903.02550},
year = {2019}
}
备注
5 pages, conference