cnn - 卷积神经网络在fpga上的实现(一).docxVIP

CNN - 卷积神经网络在FPGA上的实现（一）卷积神经网络（CNN）已被证明在复杂的图像识别问题上非常有效。 本文将讨论如何使用Nallatech公司基于Altera OpenCL软件开发套件编程的FPGA加速产品来加速CNN卷积神经网络的计算。 可以通过调整计算精度来优化图像分类性能。 降低计算精度可使FPGA加速器每秒处理越来越多的图像。Caffe 深度学习框架Caffe是一个深度学习框架,具有表达力强、速度快和模块化的思想,由伯克利视觉学习中心(BVLC)和社区贡献者开发。网站 /Caffe框架使用XML接口来描述特定CNN卷积神经网络所需的不同处理层。 通过实施层的不同组合，用户能够根据其给定的需求快速创建新的网络拓扑。Caffe框架最常用的处理层主要有：卷积层：卷积层将输入图像与一组可学习的滤波器进行卷积，每个滤波器在输出中产生一个特征图池化层：池化最大可以将输入图像分割成一组非重叠的矩形，并且对于每个这样的子区域，输出最大值线性修正（ReLU）层：给定输入值x，如果x 0，则ReLU层将计算输出为x，如果x = 0则计算输出为negative_slope * x。IP/FC层：将图像视为单个向量，每个点对新输出向量的每个点有贡献通过将这4层移植到FPGA，绝大多数正向处理网络可以使用Caffe框架在FPGA上实现。要访问加速卡上的FPGA版本的代码，用户只需要更改Ca