KNN Accelerator 设计文档1

《KNN Accelerator 设计详解》 KNN Accelerator 是一种专为K-最近邻（K-Nearest Neighbors）算法优化的硬件加速器，它旨在提升图像处理中计算距离的效率。KNN算法是一种非参数机器学习方法，广泛应用于分类和回归任务，尤其在图像识别领域。本文将详细阐述KNN Accelerator的设计理念、功能模块以及其实现方式。 1. **模块功能设计** KNN Accelerator 主要负责计算两个二值图像之间的距离。图像大小为37×22像素，每个像素点由单个比特表示。该加速器的接口采用ICB总线接口，并以60ns的时钟频率运行。在上级系统中，它位于E203 SoC的子系统中，属于mainCPU的外围设备，具体位置是LSU2。 2. **算法描述** 由于处理的是二值图像，KNN Accelerator 利用异或运算来计算像素点差异。两个图像对应像素点的异或结果可以反映出它们的差异程度，其中1的数量代表了像素点不同的个数，即两图像的距离。为了存储这些二值图像，采用37个32位寄存器，每个寄存器的低22位保存像素信息。 3. **状态机实现** 实现过程中，KNN Accelerator 通过状态机控制整个计算流程。状态机包括IDLE（空闲）、XOR（异或）、COUNT（计数）、SUM1（第一阶段累加）、SUM2（第二阶段累加）和RSP（响应）六个状态。在IDLE状态下等待CPU的命令，执行异或操作后，进入COUNT状态计算1的数量，接着在SUM1和SUM2状态进行分组累加，最后在RSP状态将结果缓存至结果寄存器。 4. **模块总体实现** 设计中，KNN Accelerator 占据了地址空间0x1004_1000至0x1004_1FFF。测试图片存储在0x1004_1000到0x1004_1025，训练图片存储在0x1004_1100到0x1004_1125，结果寄存器位于0x1004_1FF8，status寄存器位于0x1004_1FFC。其中，结果寄存器和status寄存器分别为32位只读和可读写，用于保存运算结果和系统状态。写入status寄存器的最低比特位为1会启动一次运算。 5. **寄存器操作** Test reg 包含37个32位只写寄存器，存储测试图像数据，当status为1时，写操作会被忽略。同样，Train reg 也是37个32位只写寄存器，存储训练图像数据，在status为1时，写操作也被忽略。 KNN Accelerator 的设计充分考虑了二值图像的特性，利用高效的硬件结构和状态机控制，极大地提升了KNN算法的计算速度，对于图像处理和机器学习应用具有显著的性能优势。通过这样的硬件加速，可以更快地完成大量图像的分类和比较任务，从而为实时或大规模的图像分析提供可能。