【技术实现步骤摘要】
一种基于FPGA的神经网络加速系统
本专利技术属于人工智能与电子领域，具体涉及一种基于FPGA的神经网络加速系统。
技术介绍
随着近些年深度学习的迅速发展和广泛的应用，卷积神经网络（CNN）已经成为检测和识别领域最好的方法，它可以自动地从数据集中学习提取特征,而且网络层数越多，提取的特征越有全局性。通过局部连接和权值共享可以提高模型的泛化能力，大幅度提高了识别分类的精度。并且随着物联网的发展，部署嵌入式端的卷积神经网络要处理大量的数据，这将会消耗大量的资源与能量，而嵌入式设备通常用电池维持工作，频繁更换电池将会提高成本，因此对于推断阶段的运算加速以及低功耗设计有重要实际意义。本专利技术采取的加速方案，可以极大地加快神经网络推断速度，有效地降低整个系统的功耗，并且占用资源少，易于实现。
技术实现思路
本专利技术的目的在于提供一种基于FPGA的神经网络加速系统，特别是在资源和能源受限的嵌入式端的方案，可以极大地加快神经网络推断速度，有效地降低整个系统的功耗，并且占用资源少，易于实现。为...
【技术保护点】
1.一种基于FPGA的神经网络加速系统，其特征在于，该系统依据卷积神经网络天然具有的并行性以及全连接层的稀疏性，通过运算资源重用，并行处理数据和流水线设计，并利用全连接层的稀疏性设计稀疏矩阵乘法器大大提高运算速度，减少资源的使用，从而在不影响卷积神经网络推断准确率的情况下，提高推断速度。/n
【技术特征摘要】
1.一种基于FPGA的神经网络加速系统，其特征在于，该系统依据卷积神经网络天然具有的并行性以及全连接层的稀疏性，通过运算资源重用，并行处理数据和流水线设计，并利用全连接层的稀疏性设计稀疏矩阵乘法器大大提高运算速度，减少资源的使用，从而在不影响卷积神经网络推断准确率的情况下，提高推断速度。
2.根据权利要求1所述的一种基于FPGA的神经网络加速系统，其特征在于，包括数据输入模块、卷积处理模块、池化模块、卷积控制模块、非零检测模块、稀疏矩阵乘法器、分类输出模块；卷积控制模块控制待卷积数据和神经网络权值经数据输入模块输入，而后由卷积处理模块和池化模块对待卷积数据进行卷积和降维得到卷积特征图，然后通过非零检测模块对卷积特征图进行检测得到非零神经元，再而通过复用卷积处理模块构成的稀疏矩阵乘法器对非零神经元和神经网络权值做乘加操作，最后分类输出模块复用卷积处理模块，读取数据和神经网络权值，完成矩阵运算得到输...
【专利技术属性】
技术研发人员：郭太良，林志文，林志贤，张永爱，周雄图，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。