[发明专利]一种水下噪声分类卷积神经网络加速器

说明书

本发明公开了一种水下噪声分类卷积神经网络加速器，包括：DMA控制器、特征图转置向量单元、卷积核转置向量单元、若干个最小计算单元和数据缓存池；其中，DMA控制器读入输入特征图和第一层卷积核；特征图转置向量单元根据特征图完成计算向量转置得到特征图向量，并将特征图向量写入数据缓存池；卷积核转置向量单元根据第一层卷积核完成第一个卷积核向量转置得到卷积核向量，并将卷积核向量写入数据缓存池；每个最小计算单元读取数据缓存池中的特征图向量和第一个卷积核向量，并将特征图向量和第一个卷积核向量点乘得到点乘结果，并将点乘结果存储到数据缓存池。本发明可以适应不同资源状况的FPGA器件，实现灵活增减硬件并行度的加速器方案。

技术领域

本发明属于水下噪声分类应用的卷积神经网络技术领域，尤其涉及一种水下噪声分类卷积神经网络加速器。

背景技术

传统水下噪声分类是通过训练有素的声纳员，连续监听声纳凭借经验获得分类结果。这种方式严重依赖声纳员的经验和工作状态。声纳信号经过放大、采样后可转换成一维的数字信号。

近年来，深度学习中卷积神经网络在分类问题中得到广泛应用。众多实践结果表明，卷积神经网络在处理分类问题时，具有识别准确率高的特点。水下噪声分类网络部署在嵌入式环境下，需要面对硬件平台计算能力弱，资源有限的问题。

针对水下目标分类问题形成的专用卷积神经网络，可以使用专用的卷积神经网络加速器来实现算力提升，解决实时性问题。

相关技术中，卷积神经网络通常是先完成全部卷积、然后进行激活、再进行池化操作，分层完成计算加速。这种方式的缺点有：每个层级都需要缓存层存放中间计算结果，对缓存资源消耗较大；每层计算单元规模固定，无法根据FPGA资源大小进行扩充或裁剪。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种水下噪声分类卷积神经网络加速器，可以适应不同资源状况的FPGA器件，实现灵活增减硬件并行度的加速器方案。

本发明目的通过以下技术方案予以实现：一种水下噪声分类卷积神经网络加速器，包括：DMA控制器、特征图转置向量单元、卷积核转置向量单元、若干个最小计算单元和数据缓存池；其中，DMA控制器读入输入特征图和第一层卷积核；特征图转置向量单元根据特征图完成计算向量转置得到特征图向量，并将特征图向量写入数据缓存池；卷积核转置向量单元根据第一层卷积核完成第一个卷积核向量转置得到卷积核向量，并将卷积核向量写入数据缓存池；每个最小计算单元读取数据缓存池中的特征图向量和第一个卷积核向量，并将特征图向量和第一个卷积核向量点乘得到点乘结果，并将点乘结果存储到数据缓存池；DMA控制器读取数据缓存池中的点乘结果作为输入特征图和下一层卷积核，直至卷积层数计算全部完成。

上述水下噪声分类卷积神经网络加速器中，数据缓存池大小Amax通过如下公式得到：

Amax＝AI+MAX(AVi，APki，AO)+AVKi；

其中，AI为输入数据缓存池大小，AO为输出数据缓存池大小，AVi为各层特征图数据转向量后缓存池大小，AVki为卷积核转向量大小，APki为池化后各层数据大小。

上述水下噪声分类卷积神经网络加速器中，对于AAmax的情况，B＝1表示系统不分块，数据可全部在FPGA内不存放，计算过程中DMA控制器只需要完成一次数据读入和计算结果写回即可；对于AAmax的情况，B＝MAX(AVi，APki，AO)/A，表示输入数据分解成B块，如果计算B为小数，那么B＝Int(B)+1。

上述水下噪声分类卷积神经网络加速器中，根据卷积核行数Kri和卷积核列数Kci得到乘法器计算向量个数V。

上述水下噪声分类卷积神经网络加速器中，乘法器计算向量个数V为V＝MAX(Krix Kci)。

上述水下噪声分类卷积神经网络加速器中，乘法器计算向量个数V决定了单个加速器计算单元数据输入的吞吐量需求。