一种基于 Zynq 的 CNN 加速器设计与实现

来源：计算机技术与发展杂志2021年第11期北京时间：

作者：许杰;张子恒;王新宇;佟诚;梅青;肖建*

摘要：卷积神经网络是一种前馈神经网络,它的人工神经元可以响应部分覆盖范围内的临近单元,对于大型图像处理有出色表现。 文中设计了一种基于 Zynq 芯片的 CNN 加速器,以期在资源和功耗受限的 FPGA 中实现运算性能加速。 该加速器采用数据量化的方式将网络参数从 64 位双精度浮点数转化为 16 位定点数;针对 CNN 不同层的特性和要求,设计了不同的网络结构和优化策略。 卷积层和全连接层采用循环分块、循环流水及循环展开等方法进一步改进,而池化层采用流水线的优化方式。 亦设计了 FPGA 和外部存储器的缓存策略,减少 FPGA 和外部存储器的数据传输量。 以 CIFAR-10 数据集下的图像识别为例,在 Zynq7020 实验平台上进行板级测试,实验结果表明,100 MHz 的工作频率下,平均识别时间为15. 5 ms,相对于单核 CPU 方案实现了 144 倍的加速。

关键词：Zynq;卷积神经网络;硬件加速;现场可编程逻辑门阵列;数据量化;CIFAR-10