Sep, 2018

面向FPGA的领域特定应用的高效卷积神经网络

HTML
PDF
TL;DR本文提出了TuRF框架，通过迁移学习将预训练模型适应于特定领域，替换普通卷积层并应用层融合来提高硬件设计性能，从而在FPGA上有效部署特定领域的应用，评估结果表明，与原始模型以及其他先前方法相比，TuRF可以更好地实现VGG-16模型的性能，同时更准确和易于处理。
发现论文，激发创造
  • 基于FPGA的深度学习：过去、现在和未来

    本文综述以硬件加速为视角，探讨深度学习及可编程门阵列的发展趋势和革新，旨在讨论 FPGAs 在更好地为深度学习社区提供服务方面的最佳应用。

    Feb, 2016

  • 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

  • FINN: 快速可伸缩二值神经网络推理框架

    本文介绍FINN，一种用于构建快速、灵活的FPGA加速器的框架，该框架使用灵活的异构流式架构，并利用一组优化，将二值化神经网络映射到硬件上，从而实现完全连接、卷积和池化层，同时满足用户提供的吞吐量要求。在低于25W的总系统功率下，该平台在MNIST数据集上表现出高达1230万次图像分类每秒，0.31微秒的延迟和95.8％的准确率，在CIFAR-10和SVHN数据集上表现出21906次和283微秒的延迟、80.1％和94.9％的准确率，这是目前这些基准测试中报道的最快的分类率。

    Dec, 2016

  • Arria 10 上的 OpenCL(TM) 深度学习加速器

    利用深度学习加速器（DLA）和 Winograd 变换技术，我们在 Intel Arria 10 设备上实现了1020图像/秒的性能，比 FPGA 上最先进的技术快10倍，同时也具有5.8倍的更高效率，并且与 nVidia TitanX GPU 上基于 AlexNet 的最佳公开实现比 23 img/s/W 具有竞争力。

    Jan, 2017

  • 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

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

    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。

    May, 2018

  • unzipFPGA: 利用实时生成的权重增强基于FPGA的CNN引擎

    本文研究了在FPGA-based CNNs中采用一种称为on-the-fly的方法来预处理卷积核的设计，提出了解决方案并开发了一个名为unzipFPGA的框架，通过量化评估得出结论：在容约束带宽和优化现状和pruned CNN的引擎下，unzipFPGA的平均加速比为2.14倍，性能密度高达现有技术的3.69倍。

    Mar, 2021

  • 基于FPGA的卷积运算加速解决方案

    本文介绍了一种基于硬件加速的卷积操作FPGA架构，旨在实现单层卷积的处理，以推出一种边缘AI解决方案IP核，实验结果表明它的峰值运算性能可达4.48 GOPS。

    Jun, 2022

  • 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