郑文凯 杨济民

( 山东师范大学物理与电子科学学院，250014，济南 )

卷积神经网络(Convolutional Neural Network,CNN)是一类人工神经网络，它可以自动从大规模数据中学习特征，并把结果向同类型数据泛化，在语音识别、图像识别、图像分割、自然语言处理等领域广泛应用[1,2].

由于CNN特定的计算模式，现有大部分CNN的设计实现都是基于GPU等硬件的支持，比如INVIDA公司的硬件加速显卡，其就是围绕GPU布局设计的，但是该芯片功耗较大、过大的体积很难适用于移动平台；对于通用处理器CPU而言，其在处理并行数据上效率较低；虽说使用ASIC平台设计具有可定制化的优点，但是成本高昂，产品的可迁移性低[3]；而现场可编程门列(FPGA)具有丰富的片上硬件逻辑资源、灵活的线路连接特性以及良好的内存带宽等优点，相比于ASIC而言，更是省去了流片过程，因此在本研究中我们选择使用FPGA来设计该AI芯片.

在一项对于在CPU及GPU上实现CNN的工作中，我们可以清晰的看到在整个CNN网络进行前向传播的过程中，卷积层所耗费时间的比例是很高的[4]，所以我们的首要目标就是去优化加速卷积操作. Stylianos等人提出一种以SDF计算模型为基础的框架[5]，我们借鉴了该SDF模型以经典的用于识别手写数字集MNIST的CNN网络Lenet-5为例在FPGA开发板上进行了实现，该方法不局限于仅实现固定结构的CNN，我们采用IP核互联以及数据流的方式可以动态调整网络结构以及参数，具有较强的灵活性与通用性.

1 卷积神经网络的基础知识

1.1卷积层卷积层是卷积神经网络的……