淺述卷積神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計(jì)與優(yōu)化

彭東

摘 要 在很多研究與設(shè)計(jì)中，F(xiàn)PGA可以應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)加速器的設(shè)計(jì)當(dāng)中。在這篇文章當(dāng)中將基于FPGA設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)的硬件加速器，在此設(shè)計(jì)中，核心技術(shù)是利用卷積神經(jīng)網(wǎng)絡(luò)的并行性這一特征，降低實(shí)施嵌入式帶來的資源利用的需求，從而使得加速器可在資源有限的開發(fā)板上得以實(shí)現(xiàn)。

關(guān)鍵詞 卷積神經(jīng)網(wǎng)絡(luò);FPGA;設(shè)計(jì);硬件加速器

前言

卷積神經(jīng)網(wǎng)絡(luò)，英文全稱Convolutional Neural Networks，簡稱CNN，是一類前饋神經(jīng)網(wǎng)絡(luò)，其內(nèi)包含有卷積計(jì)算，具備著深度結(jié)構(gòu)。該神經(jīng)網(wǎng)絡(luò)是有著一定的學(xué)習(xí)能力的，對于給定的階層結(jié)構(gòu)，可以平移不變地對于后續(xù)輸入的信息進(jìn)行分類。FPGA，全稱Field Programmable Gate Array，專用集成電路領(lǐng)域中的一種半定制電路。本文首先介紹卷積神經(jīng)網(wǎng)絡(luò)CNN以及FPGA基本原理，然后根據(jù)CNN的特點(diǎn)，通過合適的并行處理與流水線結(jié)構(gòu)在FPGA上設(shè)計(jì)一個(gè)CNN系統(tǒng)，有效提高其性能。

1基本原理

1.1 CNN基本原理

卷積神經(jīng)網(wǎng)絡(luò)通過共享權(quán)重值以及局部連接的方式大大降低了網(wǎng)絡(luò)的整體復(fù)雜度，并且避免了傳統(tǒng)網(wǎng)絡(luò)需要對輸入數(shù)據(jù)進(jìn)行復(fù)雜的預(yù)處理工作，直接將原始數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過多次卷積抽樣，提取關(guān)鍵特征即可完成模式識別，并且卷積神經(jīng)網(wǎng)絡(luò)對物體的形變有著極高的適應(yīng)性。

卷積神經(jīng)網(wǎng)絡(luò)可應(yīng)用于語言與識別圖像處理方面，且應(yīng)用廣泛。在卷積神經(jīng)網(wǎng)絡(luò)中，對輸入數(shù)據(jù)的處理總共分為三種：卷積（Convolution）、池化（Pooling）、全連接 （Fully Connected） [1]。這些操作在卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中以層的形式存在，在進(jìn)行圖像識別時(shí)，卷積神經(jīng)網(wǎng)絡(luò)的初始輸入數(shù)據(jù)一般為原始圖像，在卷積神經(jīng)網(wǎng)絡(luò)中經(jīng)過多次交替執(zhí)行卷積和池化后得到多個(gè)特征圖，再通過全連接將這些特征圖計(jì)算得到識別結(jié)果。

1.2 FPGA基本原理

FPGA，即現(xiàn)場可編程邏輯門陣列，該可編程器件具有與傳統(tǒng)的可編程器件不同的結(jié)構(gòu)，其采用的是小型查找表完成組合邏輯，這樣方便于每一個(gè)查找表可以連接到一個(gè)D觸發(fā)器的輸入端，再由觸發(fā)器驅(qū)動輸入輸出接口或者繼續(xù)驅(qū)動其他的觸發(fā)器，從而實(shí)現(xiàn)了組合邏輯和時(shí)序邏輯。各個(gè)模塊之間通過金屬連線，相互溝通與聯(lián)系，最終聯(lián)系到輸入輸出接口。通過向內(nèi)部靜態(tài)存儲單元加載數(shù)據(jù)，來實(shí)現(xiàn)FPGA的邏輯。

2CNN設(shè)計(jì)

2.1 整體結(jié)構(gòu)

由于FPGA內(nèi)部存儲資源有限，而卷積神經(jīng)網(wǎng)絡(luò)一般消耗的內(nèi)存較多，所以可編程器件便會不斷的訪問外部存儲器從而讀取數(shù)據(jù)，從而使網(wǎng)絡(luò)效率很大程度的下降。故此次設(shè)計(jì)的目的為降低訪問外部存儲器的次數(shù)，提高網(wǎng)絡(luò)效率。則要通過設(shè)計(jì)使得輸入圖像以及卷積核權(quán)值只需要加載一次，就存儲在片上存儲器中，此過程執(zhí)行到操作結(jié)束方可停止。本文提出如圖3-1所示的結(jié)構(gòu)，其中，ARM是該結(jié)構(gòu)的最主要的控制器部分，具體連接如圖，控制器與存儲器相連接，便可以將輸入圖像傳輸?shù)骄矸e模塊當(dāng)中，再進(jìn)行卷積運(yùn)算。存儲器中存在四個(gè)卷積核，所以在每次計(jì)算過程當(dāng)中都可以生成四個(gè)輸出部分，數(shù)據(jù)存儲器和系數(shù)存儲器的端口均可以被多路重復(fù)使用[2] ，發(fā)送輸入數(shù)據(jù)與存儲輸出數(shù)據(jù)幾乎同步進(jìn)行，并且循環(huán)過程不會產(chǎn)生中斷。

3-1加速器整體架構(gòu)

2.2 卷積運(yùn)算單元

對于硬件設(shè)計(jì)而言，不同的卷積層之間的計(jì)算是可以并行的，然而在運(yùn)算過程當(dāng)中，會存在著非常高的數(shù)據(jù)重復(fù)性，可能會導(dǎo)致數(shù)據(jù)的不相關(guān)性。因此想要提高運(yùn)算性能，就要增加數(shù)據(jù)利用率和運(yùn)算并行性，本文提出了一個(gè)流水線并行乘加結(jié)構(gòu)，一次完整的乘加結(jié)構(gòu)可在一個(gè)時(shí)鐘周期內(nèi)結(jié)束，為3×3的卷積運(yùn)算單元，周期內(nèi)完成計(jì)算次數(shù)為9次，均為乘法計(jì)算，最終通過加法計(jì)算輸出最終特征像素。在內(nèi)部存儲器獲取的圖像信息在REG中存放，而存儲器中的卷積核權(quán)值存放在W中，當(dāng)卷積運(yùn)算需要更新卷積核時(shí)才能進(jìn)行修改操作。對于卷積神經(jīng)網(wǎng)絡(luò)而言，需要對輸入圖像的邊緣位置填充0方，為了保證流水線結(jié)構(gòu)不會因?yàn)樘卣鲌D切換或者數(shù)據(jù)的填充問題而發(fā)生中斷，確保卷積計(jì)算的并行性，可以在卷積器中加入屏蔽器，將輸出邊緣位置0。

3結(jié)束語

本文提出的一種卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)是基于FPGA進(jìn)行研究與分析的，主要是利用其內(nèi)部資源，通過提高數(shù)據(jù)的獲取效率，應(yīng)用流水線結(jié)構(gòu)，提升卷積運(yùn)算的并行性從而提高運(yùn)算速度，得到一種高效率的卷積神經(jīng)網(wǎng)絡(luò)加速器結(jié)構(gòu)。對于開發(fā)板而言，即使資源有限，也可以通過本文提供的設(shè)計(jì)實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)與可編程器件的優(yōu)勢最大化。

參考文獻(xiàn)

[1] 余子健，馬德，嚴(yán)曉浪，等.基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)加速器[J].計(jì)算機(jī)工程，2017，43（1）：109-114.

[2] 楊薇.卷積神經(jīng)網(wǎng)絡(luò)的FPGA并行結(jié)構(gòu)研究[J].數(shù)字技術(shù)與應(yīng)用，2015（12）：61.