卷積神經(jīng)網(wǎng)絡(luò)處理器的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種先進(jìn)的深度學(xué)習(xí)架構(gòu)，被廣泛地應(yīng)用于圖像識(shí)別、語音識(shí)別、自然語言識(shí)別等各個(gè)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)具有數(shù)據(jù)密集和計(jì)算密集的特點(diǎn)，傳統(tǒng)的CPU平臺(tái)無法充分挖掘CNN的并行性，運(yùn)算耗時(shí)長，且實(shí)現(xiàn)代價(jià)較高。而專用CNN芯片具有速度和成本上的優(yōu)勢，但可配置性差，不能靈活地適應(yīng)CNN不同層特征圖的數(shù)量變化。
　　通過分析CNN算法特點(diǎn)及問題，在傳統(tǒng)通用ZION處理

2、器的基礎(chǔ)上，通過設(shè)計(jì)專用指令并改進(jìn)架構(gòu)，設(shè)計(jì)了一種可以兼顧C(jī)NN并行運(yùn)算能力及靈活性的新型的卷積神經(jīng)網(wǎng)絡(luò)處理器。主要研究內(nèi)容如下：
　　1.設(shè)計(jì)專用指令。首先，對(duì)CNN算法進(jìn)行操作類型統(tǒng)計(jì)和分析，發(fā)現(xiàn)卷積運(yùn)算，下采樣，激活函數(shù)等操作類型出現(xiàn)頻率較高。針對(duì)此特點(diǎn)，設(shè)計(jì)了相應(yīng)的運(yùn)算功能指令，用一條功能指令完成原本需要多條指令實(shí)現(xiàn)的運(yùn)算過程。其次，設(shè)計(jì)向量訪存指令，實(shí)現(xiàn)一次讀寫多條數(shù)據(jù)，以減少訪存指令數(shù)量，提高訪存效率。最后，基于RIS

3、C-V32指令集及其擴(kuò)展指令的規(guī)則，完成CNN專用指令系統(tǒng)的設(shè)計(jì)。
　　2.處理器架構(gòu)設(shè)計(jì)。在本研究組設(shè)L十的通用七級(jí)流水結(jié)構(gòu)ZION處理器的基礎(chǔ)上設(shè)計(jì)了支持CNN專用指令的流水功能部件。針對(duì)卷積運(yùn)算中同一卷積模板在輸入特征圖不同位置做卷積時(shí)的數(shù)據(jù)復(fù)用特點(diǎn)，設(shè)計(jì)復(fù)用結(jié)構(gòu)，從而減少特征圖數(shù)據(jù)讀取次數(shù)，降低訪存需求。此外，為減小訪存延遲對(duì)并行運(yùn)算的影響，采用雙Buffer模式分時(shí)緩存不同特征圖的數(shù)據(jù)，減少運(yùn)算單元空置時(shí)間，提高并行效率