基于ARM FPGA平台的二值神经网络加速方法研究.pdf

在当今信息技术快速发展的时代，深度学习作为一种强大的数据分析方法，在图像识别、语音识别、自然语言处理等多个领域发挥着重要作用。其中，卷积神经网络（CNN）作为深度学习的一个重要分支，在处理复杂数据，如图像和声音信号方面，展现出了卓越的性能。然而，随着应用场景的不断拓展和数据量的飞速增长，CNN的运算复杂度和数据存储需求也随之大幅增加。对于资源有限或对能耗有严格要求的应用环境，如移动设备、嵌入式系统等，传统的CNN模型难以直接应用。 基于ARM FPGA平台的二值神经网络加速方法的研究，就是为了解决上述问题。二值神经网络（BNN）是一种特殊的神经网络，其权重和激活值都被限制在二值范围内，即仅有0和1两种取值。与传统CNN相比，BNN具有显著优势。二值化操作大幅减少了对存储单元的需求，因为每个权重只需要一个比特即可表示。二值网络简化了网络结构，降低了运算的复杂度，从而在硬件上更容易实现，也更容易优化。 FPGA（现场可编程门阵列）是可编程硬件设备，由于其可重配置性和并行处理能力，被广泛用于加速深度学习模型的运算。将FPGA应用于深度学习，尤其是CNN和BNN，可以显著提高运算速度，减少能耗。ARM处理器由于其低能耗和高性能的特点，与FPGA相结合，构成了一个既节能又高效的运算平台。 在这项研究中，提出了基于ARM FPGA的二值化算法，通过将卷积神经网络中的乘累加运算转换为XNOR逻辑运算和popcount操作。XNOR是一种逻辑运算，用于比较两个位的相同性，当两个位相同时输出1，否则输出0。在二值神经网络中，XNOR操作可以近似地代替传统乘法运算，而popcount用于计数二进制数中1的个数，这两个操作在FPGA上实现起来非常高效。这样不仅提高了运算效率，还降低了能源和资源的消耗。 为了进一步提高网络吞吐量，研究中还提出了新的行处理改进算法。这个算法基于BNN中数据存储的特点，通过改进数据处理的流程和策略，来提高整体网络的性能。在ARM FPGA平台上实现这一算法，可以在保持高运算效率的同时，进一步提高网络的处理能力，使其在实际应用中能够更快地处理更多的数据。 此研究的意义在于提供了一种有效的二值神经网络加速方法，该方法在执行速度（GOPS）、能源效率和资源效率方面均优于现有的FPGA神经网络加速方法。这种加速方法对于移动和嵌入式设备中的深度学习应用具有重要的实际应用价值，能够为边缘计算提供更加强大的支持，有助于实现智能硬件的普及和智能化水平的提升。 此外，通过这项研究，我们还可以看到ARM FPGA在深度学习领域的巨大潜力。随着算法的优化和技术的不断进步，ARM FPGA有望在更多复杂场景中得到应用，为人工智能的发展提供强有力的硬件支撑。