基于FPGA的高效可伸缩的MobileNet加速器实现*
2021-05-11萧嘉乐梁东宝陈弟虎
萧嘉乐,梁东宝,陈弟虎,粟 涛
(中山大学电子与信息工程学院,广东 广州 510275)
1 引言
近些年来,深度卷积神经网络DCNN(Deep Convolutional Neural Network)模型在分类和识别任务上具有远超传统算法的正确率,被广泛应用于机器视觉领域。而FPGA由于可定制的并行逻辑和相对较高的能耗效率,在加速DCNN任务方面具有一定优势。在大多数基于FPGA的DCNN实现中,有2个主要研究方向:一是实现的FPGA尽可能地去适配不同网络架构。文献[1]尝试通过参数化设计来为所有可能的网络实现一个通用的计算结构。二是针对某一个网络结构进行深度优化,文献[2,3]探索了适用于具有残差模块网络的新的映射策略,例如ResNet和Xception。
本文针对的是嵌入式领域的硬件加速器应用,MobileNet网络以其低计算量和参数量被广泛用于嵌入式领域,但MobileNet网络的计算特点使其对现有的加速器(文献[4,5])利用率不高,具体表现在比较难达到硬件所具有的理论峰值性能,而嵌入式领域硬件资源往往有限,这个问题急需解决。还有一点,嵌入式领域的硬件资源差异较大,针对MobileNet网络的加速器还需要具备一定的可伸缩性,即针对不同的资源限制,都能获得较高的利用率。
本文的主要贡献有:
(1)设计了一个具有一定可伸缩性的MobileNet硬件加速器结构,对于0~4 000的乘法器开销都能保持70%以上的计算效率。
(2)在加速器结构上实现了基于MobileNet的Hourglass网络,最终的计算效率高于其他MobileNet网络加速器的。
本文的组织如下所示,首先介绍了深度可分离卷积和MobileNet网络的背景知识;接着描述加速器结构,主要包括计算阵列和片上缓存器;……
