面向边缘计算的可重构CNN协处理器研究与设计.pdfVIP

第46卷第4期电子与信息学报Vol.46No.4

2024年4月JournalofElectronicsInformationTechnologyApr.2024

面向边缘计算的可重构CNN协处理器研究与设计

*

李伟陈億陈韬南龙梅杜怡然

(战略支援部队信息工程大学密码工程学院郑州450001)

摘要：随着深度学习技术的发展，卷积神经网络模型的参数量和计算量急剧增加，极大提高了卷积神经网络

算法在边缘侧设备的部署成本。因此，为了降低卷积神经网络算法在边缘侧设备上的部署难度，减小推理时延和

能耗开销，该文提出一种面向边缘计算的可重构CNN协处理器结构。基于按通道处理的数据流模式，提出的两级

分布式存储方案解决了片上大规模的数据搬移和重构运算时PE单元间的大量数据移动导致的功耗开销和性能下

降的问题；为了避免加速阵列中复杂的数据互联网络传播机制，降低控制的复杂度，该文提出一种灵活的本地访

存机制和基于地址转换的填充机制，使得协处理器能够灵活实现任意规格的常规卷积、深度可分离卷积、池化和

全连接运算，提升了硬件架构的灵活性。本文提出的协处理器包含256个PE运算单元和176kB的片上私有存储器，

在55nmTTCorner(25°C，1.2V)的CMOS工艺下进行逻辑综合和布局布线，最高时钟频率能够达到328MHz，

2

实现面积为4.41mm。在320MHz的工作频率下，该协处理器峰值运算性能为163.8GOPs，面积效率为37.14

2

GOPs/mm，完成LeNet-5和MobileNet网络的能效分别为210.7GOPs/W和340.08GOPs/W，能够满足边缘智能

计算场景下的能效和性能需求。

关键词：硬件加速；卷积神经网络；可重构；ASIC

中图分类号：TN492;TP183文献标识码：A文章编号：1009-5896(2024)04-1499-14

DOI:10.11999/JEIT230509

AResearchandDesignofReconfigurableCNNCo-Processor

forEdgeComputing

LIWeiCHENYiCHENTaoNANLongmeiDUYiran

(SchoolofCryptographicEngineering,StrategicSupportForceInformationEngineeringUniversity,

Zhengzhou450001,China)

Abstract:WiththedevelopmentofDeepLearning,thenumberofparametersandcomputationof

ConvolutionalNeuralNetwork(CNN)increasesdramatically,whichgreatlyraisesthecostofdeployingCNN

algorithmso