基于FPGA的稀疏卷积神经网络加速器设计
来源：电子测量技术杂志2024年第5期北京时间：
作者：李宁，肖昊
单位：合肥工业大学微电子学院 合肥 230601
摘要：剪枝是一种减少卷积神经网络权重和计算量的有效方法，为CNN的高效部署提供了解决方案。但是，剪枝后的稀疏CNN中权重的不规则分布使硬件计算单元之间的计算负载各不相同，降低了硬件的计算效率。文章提出一种细粒度的CNN模型剪枝方法，该方法根据硬件加速器的架构将整体权重分成若干个局部权重组，并分别对每一组局部权重进行独立剪枝，得到的稀疏CNN在加速器上实现了计算负载平衡。此外，设计一种具有高效PE结构和稀疏度可配置的稀疏CNN加速器并在FPGA上实现，该加速器的高效PE结构提升了乘法器的吞吐率，同时可配置性使其可灵活地适应不同稀疏度的CNN计算。实验结果表明，提出的剪枝算法可将CNN的权重参数减少50%~70%，同时精度损失不到3%。相比于密集型加速器，提出的加速器最高可实现3.65倍的加速比；与其他的稀疏型加速器研究相比，本研究的加速器在硬件效率上提升28%~167%。
关键词：卷积神经网络;硬件加速器;稀疏计算;FPGA
基金资助：国家自然科学基金（61974039）项目资助
