近年來,卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、語音識別及自動駕駛等領(lǐng)域有了十分優(yōu)異的表現(xiàn),成為了一大研究熱點。然而,移動設(shè)備領(lǐng)域存在計算能力及功耗的要求,使得采用圖形處理器（Graphics Processing Unit,GPU）完成卷積神經(jīng)網(wǎng)絡(luò)加速器的工作非常困難,更多是在云端完成后直接獲得結(jié)果。為了今后能夠在移動端不過多增加成本和功耗的前提下,采用專用集成電路（Application Specific Integrated Circuit,ASIC）完成卷積神經(jīng)網(wǎng)絡(luò)加速器工作,減輕云端通信的負載,本課題提出了一種混合型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并在現(xiàn)場可編程門陣列（Field Programmable Gate Array,FPGA）上進行了電路實現(xiàn),在保證準確率的前提下,減少了大量乘法計算量,完成了卷積神經(jīng)網(wǎng)絡(luò)的硬件加速。本文的工作主要包括以下三點:針對卷積層的復雜乘法運算,將卷積神經(jīng)網(wǎng)絡(luò)中卷積層的浮點乘法運算通過量化的方式轉(zhuǎn)變成簡單的同或（XNOR）計算,保留卷積神經(jīng)網(wǎng)絡(luò)中原本的全連接層結(jié)構(gòu),從而在保障卷積神經(jīng)網(wǎng)絡(luò)有效識別率的前提下實現(xiàn)乘法資源的節(jié)約;針對卷積神經(jīng)網(wǎng)絡(luò)中卷積層的局部感受野特性,本課... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

Sigmoid激活函數(shù)曲線圖

Tanh激活函數(shù)曲線圖

ReLU激活函數(shù)曲線圖


本文編號：3085251