科研之友
微信
新浪微博
Facebook
分享链接
摘要
卷积神经网络(Convolutional Neural Networks, CNN)凭借其优越的并行处理能力，在医疗健康、无人驾驶、人脸识别等领域得到了广泛应用.现场可编程门阵列(Field Programmable Gate Array, FPGA)的灵活性使其适于CNN的硬件实现.然而随着工艺尺寸减小，软错误对FPGA的影响变得不容忽视.为了更好地研究基于FPGA的CNN异构加速器的可靠性，对其在关键任务中的设计给出参考性指导，提出了不同深度和宽度的网络拓扑，并对基于其设计的加速器进行了大量故障注入实验.通过分析实验中数据集、网络深度、宽度和资源开销对软错误恢复能力的影响，得出以下结论：使用高复杂度的数据集和增加网络深度会使CNN加速器抗软错误性能降低；而网络宽度的增加虽然会增大开销，但加速器并未因此获得更高的错误率，可靠性反而有所提升.
-
单位北京微电子技术研究所; 河海大学; 中国原子能科学研究院
