检索结果-南通市图书馆

计算机工程与科学 2024年第4期46卷 580-589页

作者：陈杰李程刘仲国防科技大学计算机学院湖南长沙410073

随着以卷积神经网络为代表的深度学习得到广泛应用,神经网络模型中的计算量也急速增长,推动了深度学习加速器的发展。如何针对加速器硬件的体系结构特性进行加速和优化神经网络模型的性能成为研究热点。针对自主设计的多核向量加速器FT-... 详细信息

随着以卷积神经网络为代表的深度学习得到广泛应用,神经网络模型中的计算量也急速增长,推动了深度学习加速器的发展。如何针对加速器硬件的体系结构特性进行加速和优化神经网络模型的性能成为研究热点。针对自主设计的多核向量加速器FT-M7004上的VGG网络模型推理和训练算法,分别提出了卷积、池化和全连接等核心算子的向量化映射方法,采用SIMD向量化、DMA双缓冲传输和权值共享等优化策略,充分发挥了向量加速器的体系结构优势,取得了较高的计算效率。实验结果表明,在FT-M7004平台上,卷积层推理和训练的平均计算效率分别达到了86.62%和69.63%;全连接层推理和训练的平均计算效率分别达到了93.17%和81.98%;VGG网络模型在FT-M7004上的推理计算效率超过GPU平台20%以上。

关键词：多核向量加速器卷积神经网络推理算法训练算法

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向向量加速器的YOLO网络映射与优化

面向向量加速器的YOLO网络映射与优化

引用

作者：赵悦恺国防科技大学

学位级别：硕士

深度神经网络在处理计算机视觉任务方面取得了巨大的成功,成为图像检测应用的优先解决方案。随着卷积神经网络尺寸和深度的不断提高,网络模型的参数量和计算时间也在不断增加,传统的通用处理器平台逐渐无法胜任实时检测的任务。加速神... 详细信息

深度神经网络在处理计算机视觉任务方面取得了巨大的成功,成为图像检测应用的优先解决方案。随着卷积神经网络尺寸和深度的不断提高,网络模型的参数量和计算时间也在不断增加,传统的通用处理器平台逐渐无法胜任实时检测的任务。加速神经网络的迫切需求,使得高性能处理器得到了国内外的广泛关注,为复杂问题设计新的硬件结构成为新的研究中心。YOLOv4精简网络是一个结合了数量众多的先进技术而设计出的目标检测网络,在速度和精度上同时达到了优异表现,它主要由卷积层组成,是典型的深度神经网络,具有较高的研究价值。卷积层的计算包括数据的乘法和加法,从乘累加的角度实现卷积网络的加速一直是研究的热点,本文基于国内外卷积神经网络加速方法的研究现状,分析软件加速和硬件加速的优缺点,选择多核向量加速器作为YOLOv4精简网络的映射平台,主要工作有如下三点:·本文分析了YOLOv4精简网络算法,并结合M-DSP体系结构,提出了该算法的映射方案。针对多核向量加速器体系结构的特点,设计了卷积神经网络计算时的数据存储方案,实现了YOLOv4精简网络在多DSP核上的并行计算。·本文设计并实现了该算法的卷积层、池化层和采样层的映射方法,实现了YOLOv4精简网络算法在M-DSP上的映射和多核并行计算。从网络模型的整体出发,提出了多个网络层的融合策略,减少了数据的输入输出,降低总执行时间。·本文基于M-DSP的测试环境,进行了设计方案的验证,实验结果表明,该方案能够有效地将卷积神经网络映射到向量加速器平台,实现了一定的并行加速效果。在工作频率为1.8GHz的八核向量加速器中,映射方案达到了29.83%的计算效率,与图形处理器平台的卷积加速库TensorRT相比,实现了31.75%的性能提升。

关键词：多核向量加速器 YOLOv4精简网络并行计算算法映射

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多核向量处理器上VGG卷积网络的设计与实现

多核向量处理器上VGG卷积网络的设计与实现

引用

作者：吴立西安电子科技大学

学位级别：硕士

随着人工智能和机器学习的迅猛发展,卷积神经网络作为深度学习的代表算法可以轻松实现图像识别和分类任务,被认为是目前最有效的图像处理方法,在自然语言处理、计算机视觉等领域得到了广泛的应用。随着图像分类中识别精度要求的提高,研... 详细信息

随着人工智能和机器学习的迅猛发展,卷积神经网络作为深度学习的代表算法可以轻松实现图像识别和分类任务,被认为是目前最有效的图像处理方法,在自然语言处理、计算机视觉等领域得到了广泛的应用。随着图像分类中识别精度要求的提高,研究人员提出的卷积神经网络模型结构越来越复杂,参数量和计算量迅速增长,卷积神经网络对处理器的计算性能和数据存储带宽要求也随之不断提高,传统的处理器已经难以满足其要求,促使处理器的架构朝着多核、众核、异构GPU、嵌入式芯片等方向发展,根据处理器体系结构特点加速卷积神经网络的计算成为当前业界的研究热点。本文基于国内外卷积神经网络和相关的处理器发展现状系统的对比分析了多种加速器的优劣势,探讨了影响算法性能的主要因素和汇编代码优化方法,并重点针对多核向量加速器Matrix2的体系结构特点提出了一种高效的VGG卷积网络模型并行和向量化实现与优化方法。本文主要研究工作如下:首先,重点针对VGG网络模型提出一系列算法优化方法:（1）根据Matrix2向量处理器体系结构特点,将多维卷积计算转化为高效的矩阵乘法计算,并设计了按行计算的向量化计算方法,实现了FMAC高效利用。（2）根据VGG16网络模型特点,利用数据布局、软件流水等方法设计了优化的池化和全连接层向量化实现方法。（3）根据卷积层、池化层和全连接层的计算和数据传输特点,设计了相应的基于DMA双缓冲的优化数据传输方法,最大限度的将计算时间与数据传输时间重叠,有效的提高了网络模型的整体计算性能。（4）根据VGG16网络模型的卷积核参数共享特点,通过多核数据布局、DDR外设地址划分、数据同步批处理和组播DMA等方法设计了高效的多核并行VGG16网络模型实现方法。其次,利用GCC编译器生成VGG16网络各层神经元的输入数据,在GCC上搭建VGG16网络计算出对应输出,并在Linux操作系统中利用NC-Verilog搭建的Matrix2软件仿真环境对VGG16网络模型汇编程序进行仿真和调试,保证了两仿真环境下输出的唯一性。最后,对Matrix2处理器进行VGG16网络模型映射,并借助已经训练好的卷积核模拟真实环境进行图像识别。实验结果表明,本文提出的VGG16网络模型并行和向量化优化方法的内核计算效率高达93%,网络整体性能高达115帧/秒。综上,本文提出了一种多核并行VGG16网络设计与优化方法,实现了高效的计算效率,对于其他深度学习算法的移植也有积极的借鉴意义。

关键词：多核向量加速器卷积神经网络 VGG16 并行向量化

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：