CNN-卷积神经网络在FPGA上的实现(一).docx
版权申诉
77 浏览量
2022-11-27
12:47:17
上传
评论
收藏 1.08MB DOCX 举报
- 卷积神经网络在上的实现（一）
卷积神经网络（）已被证明在复杂的图像识别问题上非常有效。 本文将讨论如何使用公司基于 软
件开发套件编程的加速产品来加速卷积神经网络的计算。 可以通过调整计算精度来优化图像分
类性能。 降低计算精度可使加速器每秒处理越来越多的图像。
是一个深度学习框架,具有表达力强、速度快和模块化的思想,由伯克利视觉学习中心()和社区贡
框架使用接口来描述特定卷积神经网络所需的不同处理层。 通过实施层的不同组合，用户能够
根据其给定的需求快速创建新的网络拓扑。
框架最常用的处理层主要有：
卷积层：卷积层将输入图像与一组可学习的滤波器进行卷积，每个滤波器在输出中产生一
个特征图
池化层：池化最大可以将输入图像分割成一组非重叠的矩形，并且对于每个这样的子区域，
输出最大值
线性修正（）层：给定输入值 x，如果 x> 0，则层将计算输出为 x，如果 x <= 0 则计算输
出为 * x。
层：将图像视为单个向量，每个点对新输出向量的每个点有贡献
通过将这 4 层移植到，绝大多数正向处理网络可以使用框架在上实现。要访问加速卡上
的版本的代码，用户只需要更改 网络描述文件中的 - 卷积神经网络层的描述，这等同
于修改代码版本。
剩余16页未读，继续阅读
评论0
最新资源