FPGA加速器深度卷积神经网络优化计算方法

摘要

传统方法在进行深度卷积神经网络优化时,存在计算能力能力不佳、加速器加速效果不明显的问题。为此设计一种FPGA加速器深度卷积神经网络优化计算方法。通过AlexNet模型分析深度卷积神经网络结构,确定深度卷积神经网络参数;引入FPGA设计加速器,利用拆分计算实现更细粒度卷积分解的并行计算;通过流水线处理计算所有的卷积层,分别对卷积计算模块中的卷积处理单元、线性缓存单元、池化单元与激活单元进行优化加速处理,提升FPGA加速器的卷积计算速度,利用FPGA加速器实现优化计算。实验结果表明,设计的方法能够有效提升加速效果,降低资源消耗率,MAC效率较高,适合大力推广使用。