一种多数据、多精度、高效率的乘累加器设计.pdfVIP

摘要

随着深度学习领域的不断发展，传统的人工神经网络（artificialneuralnetwork，

ANN）渐渐地无法满足深度学习的性能需求。卷积神经网络（ConvolutionalNeural

Network，CNN）的出现及发展，逐渐与深度学习相融合。对于CNN的计算处理，

传统CPU会耗费较长时间，效率低下；传统GPU虽然能通过增加并行性的方式，

提高运算效率，但同时也会增加功耗，从成本的角度考虑，也不是好的选择；因

此，能够极大加快CNN运算速率、降低功耗、有着更高性能的乘累加器，会是深

度学习领域所需的强有力的帮手。

为此，本文提出了一种支持多数据类型、支持多精度类型、有着高运算效率

的乘累加器结构及其硬件设计。首先对CNN的基本原理以及关键算法进行了理论

分析，并提出对应的硬件实现方法：通过booth乘法器完成乘积运算；通过DW02tree

与gate完成乘积结果的融合与过滤；通过乘法复用理论实现多数据类型的相同硬

件计算，提高硬件利用率。针对传统乘累加器运算效率低，能耗大的问题，提出

了乘累加器阵列结构，能够充分利用硬件资源，实现CNN加速的目的。除此之外，

为了能够提高数据传输效率，本文还设计了数据缓存模块，核心组件为cache，通

过不同的针对性策略，保留有效数据、清除无效数据，实现数据的高效存储。接

着，本文阐述了验证的工作流程，并开发了能够一键生成验证环境的脚本工具，

来提高验证效率。通过该脚本工具生成验证平台，在该验证平台中完成了对本文

所设计的乘累加器的所有子模块的验证工作。

最后，在完成了对本文所设计的乘累加器结构的验证工作后，将传统CPU、

GPU、与本文设计的乘累加器，一起进行了性能仿真与综合，测试结果表明：在

完成相同的运算任务（5次15层卷积神经网络运算）、工作条件相同的前提下，

本文设计的运算效率能够达到GTX1060GPU的2倍之多；相较于传统CPU（例

如i38300），在运算效率近乎相同时，有着将近20倍的工作时钟频率节约。结

合验证结果与实验测试结果可以表明，本文设计的乘累加器的运算性能优异，且

硬件损耗远少于传统运算器件。

关键词：卷积神经网络，乘累加器，数字集成电路，验证方法学，功能验证

ABSTRACT

Withthecontinuousdevelopmentofdeeplearning,thetraditionalArtificialNeural

Network(ANN)graduallyfailstomeettheperformancerequirementsofdeeplearning.

TheemergenceanddevelopmentofConvolutionalNeuralNetworks(CNN)are

graduallyintegratedwithdeeplearning.ForthecalculationofCNN,thetraditional

CPUtakesalongtimeandhaslowefficiency.AlthoughthetraditionalGPUcan

improvethecomputingefficiencybyincreasingtheparallelism,itwillalsoincreasethe

powerconsumption,whichisnotagoodchoicefromtheperspectiveofcost.Therefore,

multiplicatorsthatcangreatlyspeeduptheCNNoperationrate,reducepower

consumption,andhavehigherperformancewillbeapowerfulhelperneededinthefield

ofdeeplearning.