师紧想

（上海交通大学电子信息与电气工程学院，上海200240）

0 引言

深度卷积神经网络迎来了巨大的发展，传统CPU、GPU越来越难以满足大规模神经网络对功耗和能效的需要。随着Dennard定律缩放的失效[1]，存算一体加速器以低功耗、高能效的计算特点受到了广泛关注。以忆阻存储器（Resistive Random Access Memory，ReRAM）为基础的存算一体加速器是存算一体一个重要研究方向[11-12]。

存算一体加速器具有存储单元与计算单元一体的特点，因此给面向存算一体的编程和资源调度带来了困难，一些存算一体加速器[2-3]仍采用手工映射的方式部署神经网络模型。本文面向忆阻器存算一体设计了指令生成工具，并设计了算子调度策略，解决面向存算一体神经网络加速器的编程、编译问题。

1 忆阻器存算一体架构

忆阻器存算一体加速器的基本单元是忆阻器交叉阵列（crossbar），当前的存算一体加速器普遍采用多个忆阻器交叉阵列组成计算点阵，并将训练后的卷积神经网络的参数（权重）一次性映射在阵列上。例如ISAAC[2]采用了12k个crossbar组成一个从chip到tile到crossbar的层次化计算架构，每个crossbar包含128行×128列个忆阻器单元，可以映射48Mb模型参数，足以映射如ResNet-18网络的所有参数，而不需要考虑crossbar再次映射的情况（后文称再次映射为权重更新）。

而实际上受限于工艺条件，crossbar很难做到128行×128列的规模[4,5,6]，并且从面积和利用率等实际情况考虑：①采用上万个crossbar占用了很大的面积，增加了功耗；②在映射部分参数规模不大的网络时，硬件资源利用率不高；③存在神经网络参数规模可达到亿级，对于这些极大规模的网络，该架构仍然无法一次性映射全部权重。……