一种基于三维可变换CNN加速结构的并行度优化搜索算法
现场可编程门阵列(FPGA)被广泛应用于卷积神经网络(CNN)的硬件加速中.为优化加速器性能,Qu等人(2021)提出了一种3维可变换的CNN加速结构,但该结构使得并行度探索空间爆炸增长,搜索最优并行度的时间开销激增,严重降低了加速器实现的可行性.为此该文提出一种细粒度迭代优化的并行度搜索算法,该算法通过多轮迭代的数据筛选,高效地排除冗余的并行度方案,压缩了超过99%的搜索空间.同时算法采用剪枝操作删减无效的计算分支,成功地将计算所需时长从106?h量级减少到10?s内.该算法可适用于不同规格型号的FPGA芯片,其搜索得到的最优并行度方案性能突出,可在不同芯片上实现平均(R1,?R2)达(0.957,?0.962)的卓越计算资源利用率.
现场可编程门阵列、卷积神经网络、硬件加速
44
TN47(微电子学、集成电路(IC))
国家自然科学基金;北京市科技重大专项
2022-04-24(万方平台首次上网日期,不代表论文的发表时间)
共10页
1503-1512