- 1、本文档共59页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
目录
摘要I
AbstractIII
第一章绪论1
1.1研究背景及意义1
1.2相关研究现状3
1.2.1二值神经网络研究现状3
1.2.2知识迁移研究现状4
1.2.3基于FPGA的BNN硬件加速研究现状6
1.3研究内容和创新点7
1.4论文组织结构8
第二章基于并行卷积的二值神经网络优化设计10
2.1引言10
2.2基础卷积神经网络选择10
2.3并行BNN优化设计11
2.4全二进制输入层设计13
2.5实验设置及结果分析15
2.5.1数据集和实验设置15
2.5.2实验结果与分析15
2.6本章小结19
第三章基于知识迁移的二值神经网络优化设计20
3.1引言20
3.2全精度模型预训练阶段21
3.3迁移阶段21
3.3.1知识蒸馏传递到二值神经网络21
3.3.2对比学习优化二值神经网络24
3.4实验过程及结果分析25
3.4.1实验基本设置25
3.4.2实验过程26
3.4.3实验结果分析27
3.5本章小结30
第四章二值神经网络的FPGA加速器设计31
4.1引言31
4.2构建BNN加速器的基本流程31
4.3卷积网络并行性分析32
4.4基于FPGA的BNN加速器设计34
4.4.1BNN加速器整体架构34
4.4.2二值卷积模块设计35
4.4.3池化层模块设计37
4.4.4流水线设计38
4.5实验结果与分析39
4.5.1实验环境39
4.5.2网络系统搭建39
4.5.3实验结果分析与比较41
4.5.4逻辑资源占用分析42
4.5.5不同计算平台性能对比43
4.6本章小结43
第五章总结与展望44
5.1全文总结44
5.2未来工作展望45
参考文献46
攻读硕士学位期间的主要成果50
致谢51
摘要
近年来,以卷积神经网络(ConvolutionalNeuralNetwork,CNN)为代表的深度学习
模型,已经成为人工智能领域的关键技术,为图像识别、语音识别、自然语言处理等各种
应用提供了强大的支持。然而,随着CNN的发展,其网络结构变得越来越复杂。CNN的
高准确性是以大数据量和高计算复杂度为代价的,导致在硬件部署上变得越来越困难,阻
碍了CNN在实际应用领域中的落地。因此,神经网络模型压缩问题备受关注。其中,神
经网络量化技术为神经网络部署到移动边缘设备提供了新的思路。二值神经网络(Binary
NeuralNetwork,BNN)通过将权重和激活值量化为二进制形式,减少了模型参数和计算
量,使得模型更适合于资源受限的边缘移动设备。然而,与全精度网络相比,BNN可能会
产生严重的模型准确率损失,特征信息表达和泛化能力较差。此外,如何将BNN高效部
署到FPGA等移动边缘设备上,进行软硬件协同设计,降低其计算资源和能耗,还有很大
的探索空间。因此,本文重点关注BNN优化研究及
文档评论(0)