一种基于三维可变换CNN加速结构的并行度优化搜索算法.docx

卷积神经网络（CNN）是深度学习领域的重要组成部分，尤其在图像识别、计算机视觉和自然语言处理等任务中表现出色。CNN的特点在于其卷积层、全连接层、池化层以及激活函数，这些组件共同构成了一个强大的特征提取和分类系统。 在硬件加速方面，由于CNN的计算密集性，对高性能计算平台的需求日益增长。GPU、ASIC和FPGA都是常见的CNN加速平台。FPGA因其高并行性、低功耗和可重配置性，成为研究热点。然而，当前的CNN加速器在计算资源利用率上存在不足，这主要源于卷积计算结构的固定性和并行度算法的局限性。 文献中提出了一种3维可变换的CNN加速结构，旨在提高计算结构的灵活性。这种结构通过细粒度的调整，能够适应不同的CNN模型。但随之而来的问题是，更大的灵活性导致并行度探索空间急剧增大，搜索最优并行度配置变得困难且耗时。 为解决这一问题，文章提出了一种并行度优化搜索算法。该算法通过多轮迭代筛选，有效地减少了冗余的并行度方案，极大地压缩了搜索空间。同时，采用剪枝策略进一步减少了无效计算，将原本可能需要上百小时的搜索时间降低到秒级别。这种优化算法适用于不同规格的FPGA，可以找到最佳的并行度配置，提高计算资源利用率。 以经典的AlexNet为例，该算法在16位量化下实现了在Xilinx KCU1500开发板上的高效运行，达到了较高的计算资源利用率、吞吐率和性能功耗比。AlexNet在2012年ImageNet挑战赛中的成功，证明了其在图像识别领域的广泛应用价值。通过针对AlexNet的实验，优化后的加速器性能优于其他已有的FPGA CNN加速器。 总结来说，本文的核心贡献在于提出了一种新的并行度优化搜索算法，它能够有效应对3维可变换CNN加速结构带来的复杂并行度问题。该算法不仅显著提高了FPGA上CNN计算资源的利用率，还降低了实现的计算成本，为未来CNN硬件加速器的设计提供了有力的工具。同时，通过在AlexNet上的实验证明，该算法在吞吐率和性能功耗比方面的优化效果显著，具有广泛的适用性和实用性。