一种双向脉动数据流的全卷积神经网络加速器

作者：涂凯杰; 朱宜炳; 许达文

来源：微电子学与计算机, 2020, 37(01): 33-37.

DOI：10.19304/j.cnki.issn1000-7180.2020.01.006

• 全卷积
• 反卷积层
• 加速优化
• 双向脉动数据流

全卷积神经网络近年来被应用于深度学习中的多个领域,其不仅能处理简单的图像分类任务,还能应用于例如物体检测、语义/图像分割以及基于生成式对抗网络的生成型任务.典型的全卷积神经网络中不仅包括了传统的卷积层,还有反卷积层,它们都是计算密集型的.现在大多数研究者大都关注卷积层的设计优化,而反卷积的加速优化很少.本文提出了一种双向脉动数据流的全卷积神经网络加速器,可以同时高效地处理普通卷积层以及反卷积层.实验中选取了多个具有代表性的全卷积神经网络模型,例如DCGAN,Cascaded-FCN等.相较于以往传统的未优化的加速方案,本文所设计的加速器平均可以达到2.8倍的加速比,并且能耗降低了46.3%.

• 单位
  江西科技学院; 合肥工业大学