王 婷，陈斌岳，张福海

(南开大学 电子信息与光学工程学院，天津300350)

0 引言

随着人工智能的快速发展，卷积神经网络越来越受到人们的关注。 由于它的高适应性和出色的识别能力，它已被广泛应用于分类和识别、目标检测、目标跟踪等领域[1]。 与传统算法相比，CNN 的计算复杂度要高得多，并且通用CPU 不再能够满足计算需求。 目前，主要解决方案是使用GPU 进行CNN 计算。 尽管GPU 在并行计算中具有自然优势，但在成本和功耗方面存在很大的缺点。卷积神经网络推理过程的实现占用空间大，计算能耗大[2]，无法满足终端系统的CNN 计算要求。 FPGA 具有强大的并行处理功能，灵活的可配置功能以及超低功耗，使其成为CNN 实现平台的理想选择。 FPGA 的可重配置特性适合于变化的神经网络网络结构。 因此，许多研究人员已经研究了使用FPGA 实现CNN 加速的方法[3]。 本文参考了Google 提出的轻量级网络MobileNet 结构[4]，并通过并行处理和流水线结构在FPGA 上设计了高速CNN 系统，并将其与CPU 和GPU 的实现进行了比较。

1 卷积神经网络加速器的设计研究

1.1 卷积神经网络的介绍

在深度学习领域中，卷积神经网络占有着非常重要的地位，它的图像识别准确率接近甚至高于人类的识别水平。卷积神经网络是同时具有层次结构性和局部连通性的人工神经网络[5]。 卷积神经网络的结构都是类似的，它们采用前向网络模型结构，节点使用神经元来实现分层连接。 并且，相邻层之间的节点是在局部区域内相连接，同一层中的一些神经元节点之间是共享连接权重的。……