一种基于FPGA的并行CNN-LSTM架构实现系统技术方案

本发明专利技术公开了一种基于FPGA的并行CNN‑LSTM架构实现系统，包括：控制模块、操作模块和存储模块；控制模块用于产生控制数据流，控制数据流包括使能信号、不同单元的复位信号和同步信号；操作模块包括并行CNN‑LSTM架构网络，用于数据的计算、存储、拼接和输出；存储模块基于FPGA上的BRAM实现，BRAM分为四个部分，分别存储网络输入数据、网络输出数据、训练得到的权重数据以及用于激活函数拟合的函数值。本发明专利技术将采用模块化设计思想，创新的将并行CNN‑LSTM网络在FPGA平台上部署，设计了一个灵活、通用的深度学习实现框架，各模块间可以根据不同任务修改参数并灵活互联，降低了随着网络结构深度增加带来的高运算量。

【技术实现步骤摘要】

本专利技术涉及人工智能，更具体地，涉及一种基于fpga的并行cnn-lstm架构实现系统。

技术介绍

1、当前深度学习技术蓬勃发展，卷积神经网络（cnn）、循环神经网络（rnn）等较为成熟的深度学习架构已被应用于多个领域。不同的深度学习框架有各自的优点以及擅长解决的问题，例如cnn擅长提取图像特征，并对这些特征图进行处理，通过训练和使用每层中的权重来对图像进行分类；长短时记忆（lstm）神经网络作为一种特殊的rnn，可以有效解决rnn中存在的梯度消失问题，并且可以轻松学习到长期依赖信息，在长序列建模问题时效果更好，但其在处理相关信号方面效果欠佳。当前多项研究发现可以将cnn与lstm连接，同时利用两种网络的结构的优点来提取数据的相关信息和时序信息，并以此提高数据处理效果。这种cnn-lstm网络架构已被应用在图像识别、语音识别等多个领域。

2、然而，在具体实现过程中，现有技术多将cnn与lstm串行连接，一般是将lstm网络连接在cnn后，这种连接方式前面cnn处理数据的过程可能会导致时序信息的丢失，不利于后续lstm继续运算,且随着计算深度的本文档来自技高网...

【技术保护点】

1.一种基于FPGA的并行CNN-LSTM架构实现系统，包括：

2.如权利要求1所述的基于FPGA的并行CNN-LSTM架构实现系统，其特征在于：

3.如权利要求2所述的基于FPGA的并行CNN-LSTM架构实现系统，其特征在于：

4.如权利要求2所述的基于FPGA的并行CNN-LSTM架构实现系统，其特征在于：

5.如权利要求2所述的基于FPGA的并行CNN-LSTM架构实现系统，其特征在于：

6.如权利要求2所述的基于FPGA的并行CNN-LSTM架构实现系统，其特征在于：

7.如权利要求6所述的基于FPGA的并...

【技术特征摘要】

1.一种基于fpga的并行cnn-lstm架构实现系统，包括：

2.如权利要求1所述的基于fpga的并行cnn-lstm架构实现系统，其特征在于：

3.如权利要求2所述的基于fpga的并行cnn-lstm架构实现系统，其特征在于：

4.如权利要求2所述的基于fpga的并行cnn-lstm架构实现系统，其特征在于：

5.如权利要求2所述的基于fpga的并行cnn-lstm架构实现系统，其特征在于：

6....

【专利技术属性】
技术研发人员：谢伟，周鑫，周晗，程永靖，李留文，任云，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：