面向 FPGA 上特定领域应用的高效卷积神经网络
计算机视觉与模式识别
2018-09-11 v1
摘要
近年来，FPGA 成为实现卷积神经网络（CNN）的流行技术。FPGA 上的大多数 CNN 应用都是特定领域的，例如从特定类别中检测物体，其中在通用数据集上预训练的常用 CNN 模型可能不够高效。本文提出 TuRF，一个端到端的 CNN 加速框架，通过迁移学习将预训练模型适配到特定领域、用高效卷积块替换标准卷积层、并应用层融合来提升硬件设计性能，从而在 FPGA 上高效部署特定领域应用。我们通过将预训练的 VGG-16 模型部署到 Stratix V FPGA 上用于特定领域图像识别任务来评估 TuRF。结果表明，TuRF 生成的设计相较于先前针对原始 VGG-16 和 ResNet-50 模型的方法取得了更好的性能，而对于优化后的 VGG-16 模型，TuRF 设计更准确且更易于处理。
引用
@article{arxiv.1809.03318,
title = {Towards Efficient Convolutional Neural Network for Domain-Specific Applications on FPGA},
author = {Ruizhe Zhao and Ho-Cheung Ng and Wayne Luk and Xinyu Niu},
journal= {arXiv preprint arXiv:1809.03318},
year = {2018}
}