2、大规模并行神经处理阵列（MPNA）：高效CNN加速方案解析

大规模并行神经处理阵列（MPNA）：高效CNN加速方案解析

1. 引言

在资源受限的嵌入式系统中，卷积神经网络（CNN）的高效处理面临着诸多挑战，如高能耗、低性能等。为了解决这些问题，提出了一种新型的大规模并行神经处理阵列（MPNA）加速器，通过独特的设计方法、优化的数据流程和硬件实现，显著提升了CNN的处理效率。

2. 基础知识

2.1 卷积神经网络（CNNs）

神经网络由多个层级联组成，每层接收前一层的输入，进行操作后将结果传递给下一层。CNN通常包含卷积（CONV）层、全连接（FC）层、激活层和池化层。
- CONV层 ：用于提取特征，接收输入特征图，通过卷积操作生成输出特征图。
- FC层 ：用于分类，是CONV层的特殊情况，输入和输出为一维数组。
CNN处理过程可以用嵌套的for循环表示，以下是CONV层处理的伪代码：

for j = 1 : J { % Loop for the output activations
    for i = 1 : I { % Loop for the input activations
        for m = 1 : M { % Loop for the rows of output activations
            for n = 1 : N { % Loop for the columns of output activations
                for p = 1 : P