[发明专利]一种基于Winograd算法的3D CNN加速方法及系统

说明书

本发明公开了一种基于Winograd算法的3D CNN加速方法及系统，其方法实施步骤包括：从输入特征图中读取待变换的特征图子块，从权值缓存中读取卷积核子块，对特征图子块Bin以及卷积核子块执行3D Winograd算法输出结果并累加输出累加结果，判断是否输入特征图中的所有输入特征图都读取完毕，如果读取完毕，则将累加结果写回输出特征图缓存Out。本发明通过对Winograd算法进行了扩展并将其用于3D CNN计算中，运用了2D Winograd算法进行CNN加速并取得了良好的效果，能够有效降低CNN算法的计算复杂度、提升基于FPGA的3D CNN加速器的计算性能以及能效比。

技术领域

本发明涉及3D CNN(三维卷积神经网络)加速技术，具体涉及一种用于嵌入式平台下的、基于Winograd算法的3D CNN加速方法及系统。

背景技术

随着人工智能领域的发展，三维卷积神经网络(Three-dimensionalConvolutional Neural Network,3D CNN)已被广泛运用于许多复杂的计算机视觉运用中，如视频分类、人体动作检测以及医疗图像分析等。与传统的二维卷积神经网络(Two-dimensional Convolutional Neural Network,2D CNN)不同的是，3D CNN在处理过程中能够保留三维图像中的时间信息，因此在三维图像识别、分类领域能够取得比2D CNN更好的效果。

随着CNN识别精度的提升，CNN网络结构越来越复杂，随之而来的是网络的计算和存储复杂度的不断提升。由于传统的CPU处理器已无法应对CNN网络强大的并行计算需求，各种类型的加速器如GPU、ASIC以及FPGA陆续被提出。在这些加速平台中，FPGA由于具备可重构能力以及大量的计算逻辑资源，渐渐得到了研究人员的青睐。再者，FPGA提供商如Intel、Xilinx陆续推出了高层次综合工具(High-level Synthesis tool,HLS)，使得FPGA编程难度得到有效地降低，FPGA加速器开发周期大大缩短，更让FPGA成为加速CNN的最佳选择之一。

据本实施例所知，目前基于FPGA的CNN加速器都是面向2D CNN的，并没有公开文献对基于FPGA的3D CNN加速进行研究。与2D CNN相比，3D CNN具备更高的计算和存储复杂度，因此如何高效利用FPGA有限的计算、存储资源对复杂的3D CNN进行加速器的构建，是值得研究的关键问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，本发明考虑到CNN主要计算负载为卷积层中的卷积计算，提供一种基于Winograd算法的3D CNN加速方法，通过对Winograd算法进行了扩展并将其用于3D CNN计算中，运用了2D Winograd算法进行CNN加速并取得了良好的效果，能够有效降低CNN算法的计算复杂度、提升基于FPGA的3D CNN加速器的计算性能以及能效比。

为了解决上述技术问题，本发明采用的技术方案为：

本发明提供一种基于Winograd算法的3D CNN加速方法，实施步骤包括：

1)从输入特征图in中读取待变换的特征图子块Bin，从权值缓存w中读取卷积核子块Bw；

2)对特征图子块Bin以及卷积核子块Bw执行3D Winograd算法输出结果Tp¹；

3)对执行3D Winograd算法输出的结果Tp¹进行累加，并输出累加结果Sum；

4)判断是否输入特征图in中的所有输入特征图都读取完毕，如果尚未读取完毕，则跳转执行步骤1)；否则，跳转执行步骤5)；

5)将累加结果Sum写回输出特征图缓存Out。