基于FPGA的CNN图像识别加速与优化

摘要：

目前,CNN已广泛应用于许多应用场景中,包括图像分类、语音识别、视频分析、文档分析等.由于CNN计算密集,常以GPU进行加速,但GPU功耗高,不适用于CNN推理阶段.基于此,文中研究了基于FPGA的CNN图像识别加速与优化的应用方法,利用Intel FPGA提供的OpenCL SDK,在FPGA板卡上设计并优化了CNN前向模型.首先,针对计算量问题,通过功能模块划分,充分发挥FPGA的高计算效能优势.其次,优化核心算法,提高运行速度;分析特征图处理操作,利用参数共享策略降低数据存储量;采用通道传输数据,减少访问片外存储次数.最后,对数据缓存、数据流、循环进行优化设计,缓解了FP-GA片上的资源限制;通过量化参数降低FPGA内存资源占用量.实验结果表明,FPGA具有较低的功耗,CPU的功耗是其2.1倍,而GPU的功耗是其6.5倍;与近年来相关领域文献中提出的方法相比,所提方法具有较高的吞吐量和计算性能.

关键词：CNN、FPGA、图像识别、OpenCL、模块划分、数据流优化

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划"公共安全风险防控与应急技术装配"重点专项;国家自然科学基金

在线出版日期：2021-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：205-212