發(fā)布時間：2025-06-10 03:19

　　Google、ARM和NVidia等巨頭相繼推出IoT方面的硬件和框架,深度學習加速器與IoT的應用結(jié)合將成為世界技術(shù)革新的新助力。然而,物端系統(tǒng)的實際工作環(huán)境往往極為嚴苛,與產(chǎn)品設計預期差距巨大,原本訓練好的模型在實際工作環(huán)境中,可能會產(chǎn)生精度降低甚至失效。因此,我們基于CPU和FPGA的硬件平臺提出一種神經(jīng)網(wǎng)絡模型再訓練的方法,其中在FPGA上實現(xiàn)前向傳播算法,在CPU上實現(xiàn)反向傳播算法,兩者聯(lián)合起來共同完成CNN的訓練。通過再訓練,工作環(huán)境偏差等動態(tài)特性能夠被CNN模型學習,從而提升神經(jīng)網(wǎng)絡模型在實際工作環(huán)境中的精度。最后,我們還在近似計算和軟錯誤的場景下應用了該方法。實驗表明,相比于離線訓練的模型,該方法使神經(jīng)網(wǎng)絡的top5和top1精度分別平均提高5.7%和8.6%。此外,為了進一步提高CNN加速器的性能,我們對CNN加速器應用超頻技術(shù)。然而,超頻狀態(tài)下,CNN加速器的關鍵路徑會發(fā)生時序違規(guī),從而導致預測精度降低,甚至造成CNN加速器崩潰。我們通過插入額外的參考圖片來確定由于超頻導致的精度損失,然后將其劃分為微小精度損失、中等精度損失、嚴重精度損失和加速器崩潰四個狀態(tài)。微小的精...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖2.2一個典型的CNNFig2.2AtypicalCNN

11圖2.2一個典型的CNNFig2.2AtypicalCNN

本文編號：4050233