卷积神经网络图像识别算法的FPGA加速优化研究

摘要

针对图像识别算法中卷积神经网络运算量大、耗时长、对资源需求高的问题,提出了一种基于现场可编程门阵列的卷积神经网络硬件加速器设计方案.在现有的网络基础上将批量规范化作为训练模型结构的一部分加入卷积层,可有效解决梯度爆炸,加快网络收敛;设计动态定点量化方式,对卷积运算过程中的浮点数定点量化后进行卷积计算,研究不同硬件平台下的加速效果;采用XC7 Z020开发板结合现场可编程门阵列高级综合工具设计并行流水线计算方法的硬件结构.结果表明,该方案有效地节省了查找表和寄存器资源的使用,相比于CPU计算速度提升约10倍.