中图分类号：TP183 文献标志码：A 文章编号：1001-3695（2025）06-027-1801-06

doi：10.19734/j. issn.1001-3695.2024.10.0418

CNN multidimensional fusion data reuse method for reconfigurable arrays

Zhang Xiaofana†，Jiang Linʰ，Li Yuanchengʰ，Sheng Mingweib （a.Colegeofiaamp;foatinTooClfompueceamp;Tcology，Xi'UiestofSee logy，Xi’an710600，China）

Abstract：Reconfigurablearrayarchitecturescombinetheflexibilityof general-purposeprocesors withthehigh energyefficiencyof dedicated hardware，making themanidealsolution forcomputation-and memory-intensiveapplications suchasconvolutional neuralnetwork（CNN）.However，ncreasingcomputationaldemandsaisememoryacessoverhead，itingeficiencygains.Toaddressthis，thispaperproposeda CNN-orientedmultidimensionaldatareuse method forreconfigurablearrays.Byutilizing intra-computing-unitdata cyclicreuseandinter-unitdata pulsationtransfer，itachieveddatareuseacross bothcomputingunitsandarraydimensions.Taskswitching wasenabledthrougharryreconfigurationtofacilitatemultidimensional datareuse.Experimentalresultsonthe VirtexUltraScale440board showthatthis methodreduces memoryaccess byup to 69.4% ，improves computational speed byover 16.2% ，and achievesa computingunitutilizationrateof 94.1% .These results demonstrate thathis method enhances datareuseforCNNonreconfigurablearrys，enabling eficienthardware acceleration.

Key words：convolutional neural network；reconfigure structure；data reuse；paralel acceleration

0引言

近年来，随着人工智能研究的兴起，卷积神经网络（convo-lutionalneuralnetwork，CNN）凭借其出色的特征提取能力和良好的并行性，在图像分类、目标检测等领域得到了广泛应用[1]。CNN内部包含大量重复的乘累加操作，可重构处理器[2.3]，因其规则的并行结构和灵活的配置能力，在CNN计算研究中展现出显著优势。但是，由于应用场景中的高密集计算[4]和频繁访存特性，自重构结构的性能受存储容量[5]和带宽的限制日益严重。在如CNN这种高密集计算应用中，数据搬移的能耗已经超出计算开销。中央处理器和片外存储器间数据移动的能耗[]比浮点运算多两至三个数量级。

高效的数据复用是降低CNN在可重构结构上的能耗，缓解访存矛盾和提高计算效率的一种解决方法[8]。文献[9]提出了一种权重映射方法，实现了子数组中行列的复用，但存在灵活性较低的问题，无法在多个处理单元并行执行。文献[10]提出了基于滑窗卷积的数据复用方法，实现了访存时间的降低，但缺乏对多个卷积并行执行的讨论。文献[11]在计算单元维度利用CNN分布式存储特点，设计了不同尺寸卷积的数据复用方法，但未充分利用不同的计算资源。文献[12]通过数据路由临时重用本地数据，隐藏片外访问延迟，但该方法却难以在分支和层间这一维度进行数据重用。文献[13]提出了一种存储访问优化方案，通过数据路由临时重用本地数据，以支持跨步操作减少访存时间。然而，其在不同层之间的数据、操作数，以及理论上支持的最大数量差异很大，因此，该方法会使资源利用率较低。……