基于FPGA的卷积神经网络设计与实现

蒋林; 王喜娟; 刘镇弢; 谢晓燕; 衡茜

Chinese

您当前的位置：

首页 >

文章列表页 >

基于FPGA的卷积神经网络设计与实现

更新时间：2026-09-04

- 基于FPGA的卷积神经网络设计与实现
- Design and Implementation of Convolutional Neural Network Based on FPGA
- 微电子学与计算机 2018年35卷第8期页码：132-136
- 作者机构：
  
  1. 西安邮电大学电子工程学院,陕西,西安,710121
  2. 西安邮电大学机构计算机学院,陕西,西安,710121
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目 61772417国家自然科学基金项目 61602377国家自然科学基金项目 61634004国家自然科学基金项目 61272120陕西省科技统筹创新工程项目 2016KTZDGY02-04-02陕西省重点研发计划项目 2017GY-060
- DOI：
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
蒋林, 王喜娟, 刘镇弢, 谢晓燕, 衡茜. 基于FPGA的卷积神经网络设计与实现[J]. 微电子学与计算机, 2018, 35(8): 132-136.

JIANG Lin, WANG Xi-juan, LIU Zhen-tao, et al. Design and Implementation of Convolutional Neural Network Based on FPGA[J]. 2018, 35(8): 132-136.
蒋林, 王喜娟, 刘镇弢, 谢晓燕, 衡茜. 基于FPGA的卷积神经网络设计与实现[J]. 微电子学与计算机, 2018, 35(8): 132-136. DOI：

JIANG Lin, WANG Xi-juan, LIU Zhen-tao, et al. Design and Implementation of Convolutional Neural Network Based on FPGA[J]. 2018, 35(8): 132-136. DOI：

摘要

卷积神经网络(Convolutional Neural Network

CNN)在各种计算机视觉应用中取得了巨大成功.本文研究了卷积神经网络的并行结构

基于网络计算的多种并行特征

提出了CNN前向传播过程在FPGA并行计算的架构.实验结果表明

在110MHz的工作频率下

该结构可使FPGA的峰值运算速度达到0.48GOP/s

相较ARM Mali-T628 GPU平台实现23.5倍的加速比.

Abstract

Convolutional neural networks (CNN) have achieved great success in various computer vision applications.The parallel architecture of convolutional neural networks were studied in this paper.Based on the parallel characteristics of network computing

a parallel CNN forward propagation architecture was proposed.The experimental results showed that under the operating frequency of 110MHz

the architecture could make the FPGA peak operating speed of 0.48GOP/s

compared to the ARM Mali-T628GPU platform to achieve 23.5×speed.

关键词

Keywords

references

Fursin G, Fursin G. Optimizing convolutional neural networks on embedded platforms with OpenCL[C]// International Workshop on Opencl. ACM, 2016: 10.

Li X, Zhang G, Huang H H, et al. Performance Analysis of GPU-Based Convolutional Neural Networks[C]// International Conference on Parallel Processing. IEEE, 2016: 67-76.

Shen Y, Ferdman M, Milder P. Overcoming resource underutilization in spatial CNN accelerators[C]// International Conference on Field Programmable Logic and Applications. IEEE, 2016: 1-4.

Zhang C, Li P, Sun G, et al.Optimizing FPGA-based accelerator design for deep convolutional neural networks[C]//Acm/sigda Intermational Symposium on Field-Programmable Gate Arrays.ACM, 2015: 161-170.

Li B, Zhou E, Huang B, et al. Large scale recurrent neural network on GPU[C]// International Joint Conference on Neural Networks. IEEE, 2014: 4062-4069.

Liu Z, Dou Y, Jiang J, et al. Throughput-Optimized FPGA Accelerator for Deep Convolutional Neural Networks[J]. Acm Transactions on Reconfigurable Technology % Systems, 2017, 10(3):17. DOI: 17

李施豪, 应三丛.基于FPGA的卷积神经网络浮点激励函数实现[J].微电子学与计算机, 2017, 34(10):105-109. DOI: 105

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于FPGA的卷积神经网络加速器设计与实现

结合经度加权的球形感知全景图像显著性预测算法

基于分块子图的CNN推理任务划分与存储调度算法

应用于锂电池SOC估计的PCNN_LSTM硬件加速器设计

基于U-Net网络结构的SAR图像去噪算法研究