[发明专利]一种基于FPGA的Alexnet前向网络加速器

说明书

本发明公开了一种基于FPGA的Alexnet前向网络加速器，包括：处理器、外部存储器、缓冲器、控制器、AX14‑Lite总线模块和AX14总线模块；所述AX14‑Lite总线模块和AX14总线模块分别与处理器连接；外部存储器、缓冲器和处理器分别与AX14总线模块连接；所述外部存储器用于存储加速器运行或计算数据；缓冲器用于存储加速器计算的中间结果；控制器用于对加速器的启动、计算和时间测量的控制；AX14‑Lite总线模块用于指令的传输；AX14总线模块用于数据的传输；处理器用于实现加速；本发明减小了Alexnet加速器在运行时产生的冗余数据，减少了卷积计算和访存操作的内容，还有小减小了计算机硬件资源的消耗。

技术领域

本发明涉及神经网络加速器领域，尤其是一种基于FPGA的Alexnet前向网络加速器。

背景技术

Alexnet网络模型是由Alex提出的，在ImageNet2012图像分类竞赛中中拔得头筹，它是CNN在图像分类应用中的一个经典模型。Alexnet前五层为卷积层，后三层为全连接层。模型接收3个维度为(224，224)的图片作为输入，然后经过一系列卷积计算和池化操作之后，最终输出一个1000维的向量，表示一个包含有1000个分类标签的分类器；卷积层由一定数目的特征图谱构成，它的作用在于提取输入图像的特征。卷积层存在大量的卷积计算，大约占整个网络计算量的90％以上，具有计算密集的特点；全连接层的每一个节点都与上一层的所有节点相连，主要是将提取到的特征进行综合，起到“分类器”的作用，由于其节点全部相互连接的特点，全连接层的权值数据也是整个Alexnet网络模型中最多的。

传统的Alexnet模型存在大量的卷积计算和访存操作，对计算机硬件资源消耗严重。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于FPGA的Alexnet前向网络加速器；本发明解决了Alexnet模型存在大量的卷积计算和访存操作的问题；还解决了计算机硬件资源消耗严重的问题。

本发明采用的技术方案如下：

本发明在充分研究和分析了当前Alexnet前向识别网络及加速器的基础之上，设计实现一种基于FPGA的Alexnet前向网路加速器，通过优化模型结构(将一维处理单元扩展成二维处理单元对卷积层进行计算优化，采用网络剪枝法对全连接层进行权值优化)、计算精度优化(数据的输入存储均采用16-bit定点格式)、流水式层间处理(矩阵乘运算的垂直模式和水平模式两种模式交替使用以减少总体计算量)来提高网络的整体识别速度。具体为：

一种基于FPGA的Alexnet前向网络加速器，包括：处理器、外部存储器、缓冲器、控制器、AX14-Lite总线模块和AX14总线模块；所述AX14-Lite总线模块和AX14总线模块分别与处理器连接；外部存储器、缓冲器和处理器分别与AX14总线模块连接；所述外部存储器用于存储加速器运行或计算数据；缓冲器用于存储加速器计算的中间结果；控制器用于对加速器的启动、计算和时间测量的控制；AX14-Lite总线模块用于指令的传输；AX14总线模块用于数据的传输；处理器用于实现加速。

进一步的，所述处理器包括若干处理引擎，每个处理引擎分别连接卷积层或全连接层；所有的处理引擎均以流水线的方式同时工作。

进一步的，所述处理引擎数量为8个，并依次排列；其中5个处理引擎分别连接5个卷积层，其余3个处理引擎分别连接3个全连接层。

进一步的，所述处理引擎用于优化卷积层、优化全连接层和流水线式的计算优化。

进一步的，所述优化卷积层是通过将卷积层的处理引擎由一维处理单元扩展为二维处理单元；所述二维处理单元是由若干一维处理单元组成。

进一步的，所述一维单元由寄存器、累加器、乘法器以及多路复用器构成。