基于软核控制的卷积神经网络

摘要

卷积神经网络作为深度学习最重要的算法之一,十分适用于图像分类。由于其复杂的网络结构和训练方法,卷积神经网络是极为耗费计算资源的一种算法。本文针对卷积神经网络中卷积计算时间复杂度高、同一电路计算不同尺寸卷积造成资源浪费的问题,提出一种基于软核的卷积神经网络。通过使用软核来配置卷积、池化尺寸,多次驱动卷积池化的方法,可以大量减少逻辑资源的消耗。同时在Arty A7-100T FPGA上构建基于ARM公司开源的Cortex-M3软核的卷积神经网络SoC进行验证。实验验证,该SoC有92.3%的识别正确率,同时减少了约50%的逻辑资源消耗。