基于数据局部相似性的卷积神经网络加速器

为提高卷积神经网络的处理速度，使用零梯度近似处理的卷积方法（梯度卷积）来提高数据的复用率，减少计算量。以卷积核为单位对数据进行梯度计算，针对不同网络的不同层次采用灵活的梯度阈值计算策略，以合理复用相邻窗口的卷积结果。将其中关键的梯度处理模块和卷积计算部分在现场可编程门阵列（FieldProgrammable Gate Array, FPGA）上进行实现，与脉动阵列相结合以提高资源利用率，并针对负载不均衡的问题设计出适合梯度卷积的数据流。基于YOLOv3模型和Pascal VOC数据集的目标检测实验中，在付出较小精度损失的前提下，软件端减少约23.2%的计算量，结合硬件加速比约为17.8%。