声明
1 绪论
1.1 课题研究背景和意义
1.2 国内外研究概况
1.2.1 卷积神经网络的发展历史
1.2.2 FPGA部署卷积神经网络的概况和技术难点
1.3 本文研究内容
1.4 本文结构组织
2 相关技术介绍
2.1 卷积神经网络
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活层
2.1.4 正则归一化层
2.1.5 全连接层
2.2 卷积神经网络优化方案
2.2.1 二维平铺展开
2.2.2 SIMD向量化
2.2.3 流水线
2.3 二值神经网络
2.3.1 二值神经网络训练方法
2.3.2 二值网络的卷积模块
2.4 本章小结
3 低精度量化网络模型在FPGA上的整体优化方案
3.1硬件整体架构设计
3.2 基于FPGA片上内存的流水线结构
3.2.1内存模型
3.2.2流水线计算结构
3.3 基于卷积模块的结构重组和优化
3.3.1 卷积模块重组
3.3.2 Xnor和popcount
3.3.3 奇偶交错填充
3.3.4 BNorm算法优化
3.3.5 池化层双缓冲并行结构
3.4基于矩阵向量乘法的高并行度加速设计
3.4.1矩阵向量乘法单元
3.4.2 矩阵交错排序
3.2.3 矩阵向量乘法的折叠结构
3.5不同量化精度下实验结果与对比分析
3.5.1 实验平台及开发流程
3.5.2 模型训练
3.5.3 模型复杂度分析
3.5.4 模型性能分析
3.5.5纵向对比
3.6 本章小结
4 基于Squeezenet改进的目标检测在FPGA上的实现
4.1 模型复杂度分析
4.2 模型性能分析
4.3系统处理架构
4.4 本章小结
5 总结与展望
5.1全文总结
5.2 研究展望
致谢
参考文献
附录1 攻读硕士学位期间登记的软件著作权目录
附录2 攻读硕士学位期间申报的发明专利目录
附录3 攻读硕士学位期间参加的科研项目目录
