MMMay, 2018

f-CNN$^{ext {x}}$: 基于 FPGA 的多 CNN 应用映射工具流

PDF
TL;DR该论文提出了一种自动化设计流程 f-CNN$^{ext {x}}$，用于在 FPGA 上映射多个 CNN，包括一个新的多 CNN 硬件架构和自动化设计空间探索方法，以考虑每个模型的性能要求来分配计算资源和生成可合成加速器。此外，f-CNN$^{ext {x}}$ 采用一种新的调度算法，可以缓解 CNN 之间的内存带宽争用限制，并维持架构的高利用率。实验评估表明，f-CNN$^{ext {x}}$ 的设计比不考虑争用的 FPGA 映射效果提高了多达 50％，并为多 CNN 系统提供了高达 6.8 倍的性能功耗比。
convolutional neural networksfpgasautomated design space explorationperformancemulti-cnn systems
发现论文，激发创造
  • fpgaConvNet：在嵌入式 FPGA 上映射多样化卷积神经网络的工具流

    本文提出了一个使用 Synchronous Dataflow（SDF）模型的端到端框架 fpgaConvNet，该框架可用于将卷积神经网络 (ConvNets) 映射到 FPGAs 上，实现了对性能度量的有效优化，并在嵌入式环境中将性能提高了最高 6.65x。

    Nov, 2017

  • 用于在 FPGAs 上映射卷积神经网络的工具流：调查和未来方向

    本文综述了现有的 CNN-to-FPGA 工具流，包括应用支持、架构选择、设计空间探索方法和性能等关键特性的比较研究，提出了最新 CNN 算法研究引入的主要挑战和目标，并提出了一种统一的评估方法，旨在全面、完整和深入地评估 CNN-to-FPGA 工具流。

    Mar, 2018

  • FFCNN：基于 FPGA 的卷积神经网络推理快速加速

    本文介绍了一种基于 OpenCL 的卷积神经网络加速器设计，称为 FFCNN，它包括数据重用和任务映射技术，这些技术可以在大规模图像分类中提高性能和资源利用率。

    Aug, 2022

  • 咖啡因 FPGA：用于卷积神经网络的 FPGA 框架

    本文介绍了一种修改版 CNN 框架 Caffe，该框架支持 FPGA 实现，并使用 Xilinx SDAccel 环境实现了基于 FPGA 的 Winograd 卷积引擎，能够与其他运行在主机处理器上的层一起运行几个流行的 CNN 模型，取得了 50 GFLOPS 的成果。

    Sep, 2016

  • fpgaHART: 一种用于将 3D CNNs 加速到 FPGA 上的吞吐量导向的 HAR 工具流

    研究提出一种工具流程，将 3D CNN 模型优化到 FPGA 设备上，采用同步数据流图来模拟设计并引入转换来拓展和探索设计空间，以实现高吞吐量设计。在多个 FPGA 设备上评估了各种 3D CNN 模型，证明了与早期手动调整和特定模型的设计相比，该工具流程具有竞争性的性能。

    May, 2023

  • 基于 FPGA 的混合高效卷积算法的人脸识别

    本研究通过探索多种快速卷积算法，包括 Winograd 和 FFT，并发现了一种将它们应用于不同类型卷积的最佳策略；实现在基于高级综合的可配置 IP 人脸识别加速系统中使用 FaceNet，并利用并行化的优化方案在新型 CNN 体系结构上，实现比高端 NVIDIA GPU 快 3.75 倍的延迟加速，并显著超过先前的 FPGA 结果。

    Mar, 2018

  • 实现边缘智能动态卷积神经网络推理的探索

    本研究提出了动态流式传输模型参数和基于库的方法来实现传统 CNN 架构的可扩展和动态分布式 CNN 推断，利用部分重构技术提高了资源受限的边缘设备的性能，并在 Xilinx PYNQ-Z2 板上实现了 LeNet-5 CNN 模型，具有 92％，86％和 94％的分类准确率。

    Feb, 2022

  • 自动流程实现压缩卷积神经网络，以实现 FPGA 上的高效边缘计算

    本文研究了一种从训练好的 TensorFlow 模型到基于 FPGA 的二值化卷积神经网络系统的自动流程，并在 Cyclone-V FPGA 设备上实现了二值化的 YOLOV2，通过在目标检测上的实验，证明了与 CPU 和移动 CPU 平台相比，在 FPGA 上进行二值化幻化的模型大小和推理速度都有显著的性能提升。

    Dec, 2017

  • 通过资源分割最大化 CNN 加速器效率

    提出了基于 FPGA 的卷积神经网络加速器范例和相应的自适应设计方法，该加速器范例将 FPGA 资源分割成多个处理器，提高卷积神经网络的计算效率和吞吐量

    Jun, 2016

  • 一种基于 FPGA 的加速器，实现对任意核大小的 CNN 的高效支持

    使用 FPGA 的推断加速器，通过优化计算数据流、降低存储需求和优化卷积神经网络的部署，实现了支持任意核大小的卷积神经网络的高效部署，从而在各种基于视觉的应用中取得了卓越的性能。

    Feb, 2024