【论文解读】 FPGA实现卷积神经网络CNN（二）： Optimizing FPGA-based Accelerator Design for DCNN

最新推荐文章于 2025-07-01 15:42:24 发布

原创

最新推荐文章于 2025-07-01 15:42:24 发布 · 6.7k 阅读

91 ·

CC 4.0 BY-SA版权

本文深入探讨了在FPGA上实现CNN的优化策略，通过Roofline模型分析计算与内存带宽的平衡，提出了一种计算优化和内存访问优化相结合的方法。论文中详细阐述了循环展开、数据复用和设计空间考察，以实现高性能的CNN加速器。在Xilinx FPGA平台上，实现了61.62 GFLOPS的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

博主评论：这篇论文发表在2015年，是一篇FPGA实现CNN的高引用论文，该文从理论与实践结合展示了在FPGA上实现CNN。根据roofline模型分析计算峰值与CTC rate关系，深入探讨了CNN卷积层中的数据依赖关系，进行数据复用从而在内存带宽不变的情况下提升CTC rate，对不同循环分片参数的performance建模，并为每一层卷积选择通用的分片参数来避免复杂的硬件结构。值得一提的是：该系统的在Xilinx vivado+hls下实现，给出了伪代码，这给复现论文提供了帮助。

摘要：

FPGA平台是实现卷积神经网络的利器，但仍有很大的设计提升空间，尤其是在匹配计算量与内存带宽方面，为了克服这个问题,作者提出使用一个 roofline 模型分析设计方案。作者通过各种各样的优化工具（如循环分片和转换）来定量分析了计算量与所需要的内存带宽，在roofline工具的帮助下，使用最少的资源获得了最高的performance。使用VC707FPGA平台在100MHz频率下获得了61.62GFLOPS。

1，介绍

主要介绍了一些前人应用FPGA实现卷积神经网络的例子，在文章作者的实验中，发现在相同的FPGA硬件资源下，采用不同的设计空间方案可以有90%的不同performance。为了有效的考察设计空间，作者在这项工作中提出了一个分析设计方案。该方案的表现好于以往成果的原因有两个，一是：过去的工作只注意计算能力优化，忽视了外部memory操作，并且将加速器直接连到memory，但是作者通过buffer management和bandwidth optimization可以更好的利用FPGA资源；二是：过去的研究通过精巧的数据复用减少了外部数据交换，但是这种方法没有整体最好表现，并且为了不同层的计算需要重新配置FPGA，而作者使用的方法不需要。

文章主要贡献：

1，针对特定CNN算法定量分析了计算量与所需要的内存；

2，在算力和内存带宽的限制下，在设计空间中利用roofline模型验证所有可行的方法；并讨论了如何发现最优方法；

3，提出的CNN加速器:在不同卷积层使用统一的loop unroll因子；

4，作为案例研究，实施的CNN加速器达到61.62 GFLOPS的性能。

2，背景

2.1 CNN 基础

CNN网络由特征提取器与分类器构成，给出了滑窗法实现卷积运算的伪代码：

2.2 介绍了经典神经网络AlexNet

2.3 提出roofline模型

一个roofline模型是将系统整体performance 与 片外储存器流量（off-chip memory traffic）和硬件平台可以提供的峰值计算量（peak performance）联系起来。使用float-point performance（GFLOPS）作为输出度量，实际可获得输出如下表示：

Computational Roof：计算资源瓶颈； CTC Ratio * BW: 计算to交流比率*带宽；（这边CTC Ratio还不是很理解，但两者相乘结果单位应是GFLOPS，其中带宽单位是GFLOPS，在同一个平台上带宽的值是固定的），在图三中可看出algorithm 2比algorithm 1 获得了更好的performance，因为有了更高的CTC Ratio，或者说更好的数据复用。