3、面部识别系统硬件加速器与3D堆叠IC的TSV修复技术

面部识别系统硬件加速器与3D堆叠IC的TSV修复技术

1. 面部识别系统硬件加速器

1.1 定点计算实现

数据量化能够将位宽降低至16位，且精度损失可忽略不计。软件实现通常采用浮点运算进行计算，在Google Colab上获得的训练参数为32位浮点格式。从硬件角度看，定点运算比浮点运算更快，因为其硬件复杂度更低，资源利用率更少。采用定点运算替代浮点运算，可在性能下降极小的情况下减少推理时间。由于16位Q4.12定点格式具有可接受的精度，所有训练参数都被量化为Q4.12定点格式，并且硬件被设计为以定点表示进行计算。同时，还设计了定点格式的有符号加法和乘法模块。输入图像和参数被归一化，以将每层产生的输出值限制在{0,1}范围内。

1.2 全局控制器单元

全局控制器单元生成所有控制信号，其输入为主时钟和系统复位信号。它负责为每一层生成派生时钟信号，以及同步和控制各层之间所有数据流的控制信号。此外，它还负责生成从BRAM预取参数的控制信号和地址。

1.3 全连接（密集）层

卷积神经网络（CNN）的最后阶段是全连接/密集层，它以主时钟频率运行。第3层的输出逐像素串行输入到全连接层（实际上是扁平化处理）。该层的所有43个神经元都与这个输入相连。该层的每个神经元都有一个配置为ROM的独立BRAM，用于存储与该神经元对应的参数。每个地址位置存储一个16位参数。使用地址生成器从ROM中获取参数。累加器寄存器存储乘法和累加（MAC）操作的结果。乘积与累加器寄存器中存储的值相加，然后再存回累加器。所有43个神经元的累加器寄存器中存储的结果被输入到比较树中，以找到激活程度最高的神经元。比较树的结果通过激活层处理。为了降低硬件复杂度，