机构名称：
¥ 1.0
近年来，卷积神经网络（CNN）凭借其出色的特征提取能力在图像识别、工业故障检测、无人驾驶等领域得到了广泛的应用。然而，传统的 CNN 模型 [1, 2, 3] 具有大量的参数，难以部署在资源受限的嵌入式设备上。因此，随着 CNN 的应用需求不断增加，如何简化 CNN 模型并有效地将其部署到嵌入式设备上成为了新的研究热点。使用轻量级 CNN 模型，例如 Xception [4]、MobileNet [5, 6, 7] 和 ShuffleNet [8]，是在准确率损失不大的情况下显着减少参数数量的有效方法。此外，使用低比特数据量化方法[9，10，11]可以将32比特数据量化为8比特甚至更低，大大减小了CNN模型的大小。因此，结合这两种方法对轻量级CNN模型进行低比特数据量化，为实现CNN模型提供了一种计算友好的算法解决方案。在各类嵌入式设备中，FPGA在功耗和灵活性之间提供了更好的权衡，成为实现CNN的一种有吸引力的解决方案。然而，轻量级CNN模型包含多种核大小，这对基于FPGA的CNN加速器的设计提出了挑战。大多数现有设计[12，13，14，15，16，17，18，19，20，21]可以有效处理具有某些特定核大小的卷积。然而，
高效 CNN 加速器的设计和实现......
主要关键词
相关文件推荐
