基于ARM和FPGA的卷积神经识别系统及方法技术方案

本发明专利技术涉及一种基于ARM和FPGA的卷积神经识别系统及方法，所述系统包括：卷积神经网络参数训练模块，用于获取卷积神经网络的模型参数；ARM芯片，用于接收并转发所述模型参数，并将识别结果传输给显示设备；FPGA卷积神经网络硬件模块，用于以硬件电路方式实现带有所述模型参数的从输入层、卷积层、池化层、激活层到全连接层的全部卷积神经网络，对实时输入的图像流进行正向预测运算，实现图像识别分类，输出识别结果。与现有技术相比，本发明专利技术具有成本小、功耗低、运算速度快等优点。

【技术实现步骤摘要】
基于ARM和FPGA的卷积神经识别系统及方法
本专利技术涉及一种卷积神经识别系统实现方法，尤其是涉及一种基于ARM和FPGA的卷积神经识别系统及方法。
技术介绍
从卷积神经网络ImageNet以16％的错误率夺冠，到AlphaGo击败李世乭，再到目前的智能多国语言翻译、天气预报、语音识别、智能安防、人工智能、无人驾驶等系统，随着算法的不断演化和完善，人工智能已经被应用到我们生活的每个角落。深度学习作为人工智能第三次浪潮的引擎，它成功的原因通常被归结于三点：大数据、超级计算能力和新的数学方法。深度学习模型得到足够训练所需要的数据，应得益于互联网的快速发展，以及对人类大数据领域的深入探索。深度学习算法的优化，以及算法隐含层数增加，使得深度学习模型得到大大的优化。目前卷积神经网络的芯片部署方式主要有：(1)GPU+CPU组合的计算方式成为机器学习首选方案，其中，CPU由于其通用性特性，更适合做人机交互和流程控制；GPU运行效率虽比CPU块，但高昂的价格和超大的功耗使其难以用于中低端场合；(2)ASIC虽然是性价比最好的卷积神经网络计算芯片，但本文档来自技高网...

【技术保护点】
1.一种基于ARM和FPGA的卷积神经识别系统，其特征在于，该系统包括：/n卷积神经网络参数训练模块，用于获取卷积神经网络的模型参数；/nARM芯片，用于接收并转发所述模型参数，并将识别结果传输给显示设备；/nFPGA卷积神经网络硬件模块，用于以硬件电路方式实现带有所述模型参数的从输入层、卷积层、池化层、激活层到全连接层的全部卷积神经网络，对实时输入的图像流进行正向预测运算，实现图像识别分类，输出识别结果。/n

【技术特征摘要】
1.一种基于ARM和FPGA的卷积神经识别系统，其特征在于，该系统包括：
卷积神经网络参数训练模块，用于获取卷积神经网络的模型参数；
ARM芯片，用于接收并转发所述模型参数，并将识别结果传输给显示设备；
FPGA卷积神经网络硬件模块，用于以硬件电路方式实现带有所述模型参数的从输入层、卷积层、池化层、激活层到全连接层的全部卷积神经网络，对实时输入的图像流进行正向预测运算，实现图像识别分类，输出识别结果。


2.根据权利要求1所述的基于ARM和FPGA的卷积神经识别系统，其特征在于，所述卷积神经网络参数训练模块为CPU或GPU。


3.根据权利要求1所述的基于ARM和FPGA的卷积神经识别系统，其特征在于，所述卷积神经网络包括基于caffe的CIFAR_10.prototxt神经网络。


4.根据权利要求3所述的基于ARM和FPGA的卷积神经识别系统，其特征在于，所述卷积神经网络中通过5层网络不同参数的配置实现10层网络功能，并对每一层的输入尺寸进行配置。


5.根据权利要求1所述的基于ARM和FPGA的卷积神经识别系统，其特征在于，所述FPGA卷积神经网络硬件模块中设有用于存储对应卷积神经网络每一层的分布式内存区。


6.一种基于ARM和FPGA的卷积神经识别方法，其特征...

【专利技术属性】
技术研发人员：左佳，李少华，张青野，赵中瑞，方逸洲，
申请(专利权)人：上海仪电集团有限公司中央研究院，上海华鑫股份有限公司，
类型：发明
国别省市：上海;31