李沛杰，张丽，夏云飞，许立明

基于软件定义的可重构卷积神经网络架构设计

李沛杰1，张丽1，夏云飞2，许立明2

（1. 信息工程大学，河南 郑州 450001；2.天津市滨海新区信息技术创新中心，天津 300457）

为满足卷积神经网络业务处理的灵活性和高性能需求，提出一种基于软件定义的可重构卷积神经网络架构。该架构采用归一化处理流程实现卷积层网络的动态重构与运算模式的加速。采用AHB和AXI的双总线架构，实现卷积神经网络的流水计算。通过软件定义在FPGA上实现了不同网络结构下的数据集实时处理。实验结果表明，所设计的FPGA电路能够实现两种网络模型的软件定义，网络模型与输入数据集相同的条件下，该架构的运算处理能力为CPU的10倍，运算能耗比为GPU的2倍。

卷积神经网络；软件定义；动态可重构；FPGA；流水计算；SoC

1 引言

随着计算机视觉技术的发展，神经网络凭借深度学习技术极大地提高了算法性能。其中卷积神经网络（CNN，convolutional neural network）作为该项技术的基础，其模型得到了广泛关注，并越来越多地应用于图像识别、视觉拟合、视频搜索等领域[1]。

CNN通常由卷积层、全连接层、池化层以及激活层组成[2-4]。当前CNN模型对卷积层与子抽样层互联/迭代层数、卷积核运算尺寸、激活层函数处理方式等处理环节进行不同的优化[5]。AlexNet模型以LeNet-5模型为蓝本，通过增加卷积层进一步提高模型图像识别率[5]；VGG模型通过使用较小卷积核模拟更大尺寸卷积核的方式，在保证层级结构统一且简单的基础上，进一步增加了模型运算深度，提高识别精度[6]；……