[发明专利]一种基于异构计算的卷积神经网络算法设计实现方法

摘要

本发明方法属于异构计算、图像识别技术领域。具体为一种基于异构计算的卷积神经网络算法设计实现方法。本发明实现的硬件平台是Xilinx ZYNQ‑7020可编程片上SoC，硬件平台内置FPGA和ARM处理器，实现的软件平台为SDSoC，通过将高层中和和软件定义连接框架组合在一起，能够无缝地将HLS的结果连接到软件应用中。本发明首先在PC上设计网络模型和训练网络模型，然后在PC上提取网络模型参数，接着在SDSoC平台快速对卷积神经网络算法进行软硬件代码分区，其中输入数据图像预处理、池化层、分类算法在ARM端实现，将计算量最大的卷积运算映射到FPGA上实现，从而达到系统要求的性能和面积。本发明利用异构平台快速实现卷积神经网络算法的实现，在保证卷积算法的精度条件下，大幅度提升算法的效率和降低了功耗。

主权项

1.一种基于异构计算的卷积神经网络算法设计实现方法，其特征在于具体步骤为：步骤1、在PC上设计和训练网络模型（1）在深度学习工具caffe上设计网络模型；（2）训练网络模型及测试网络模型；（3）提取网络模型参数；步骤2、在SDSoC上搭建软硬平台（1）通过vivado工具搭建通用的硬件平台；（2）在petlinux上利用vivado工程生成SDSoC所需硬件平台文件；（3）在SDSoC上搭建软件平台；步骤3、卷积神经网络模型预处理（1）对输入数据进行归一化处理；（2）通过AXI总线将预处理完成数据传输至PL端；（3）PL端将预处理数据缓存在块随机存储器；步骤4、卷积神经网络算法代码软硬件分区通过SDSoC软件将卷积神经网络将最计算量最大的卷积运算映射到FPGA中去实现，其池化层和分类层在ARM中实现；（1）卷积运算每个卷积层包含若干个n*n卷积核（其中n值小于输入的图像信息的像素值），卷积核的n*n个训练权值与输入的Feature Map的一部分区域进行乘累加运算并加上偏置参数，经过激活函数的映射，对输入的图像信息进行卷积，形成的新的数据就是新的Feature Map上的一个像素点的值，最终形成若干个新的Feature Map；（2）池化层计算池化层采用m*m的输入域，将输入的Feature Map中的m*m个节点经过输入域的作用得到一个新的数据信息，作为新的Feature Map中的一个像素值；并且输入域不重叠，即每次滑动m个像素，输入图像的分辨率缩小了m2倍；（3）分类计算利用Softmax运算完成数据的分类计算，将得到的分类结果进行输出。