凭仗超卓的功能和功耗目标，赛灵思 FPGA 成为规划人员构建卷积神经网络的首选 XE XE XE XE 。新的软件东西可简化完成作业。
人工智能正在阅历一场革新，这要得益于机器学习的快速前进。在机器学习范畴，人们正对一类名为“深度学习”算法发生稠密的爱好，由于这类算法具有超卓的大数据集功能。在深度学习中，机器能够在监督或不受监督的办法下从很多数据中学习一项使命。大规模监督式学习已经在图像辨认和语音辨认等使命中取得巨大成功。
深度学习技能运用很多已知数据找到一组权重和偏差值，以匹配预期成果。这个进程被称为练习，并会发生大型形式。这鼓励工程师倾向于运用专用硬件(例如 GPU)进行练习和分类。
跟着数据量的进一步添加，机器学习将转移到云。大型机器学习形式完成在云端的 CPU 上。虽然 GPU 对深度学习算法而言在功能方面是一种更好的挑选，但功耗要求之高使其只能用于高功能核算集群。因而，亟需一种能够加快算法又不会明显添加功耗的处理渠道。在这样的布景下，FPGA 似乎是一种抱负的挑选，其固有特性有助于在低功耗条件下轻松发动很多并行进程。
让我们来具体了解一下如安在赛灵思 FPGA 上完成卷积神经网络 (CNN)。CNN 是一类深度神经网络，在处理大规模图像辨认使命以及与机器学习相似的其他问题方面已大获成功。在当时事例中,针对在 FPGA 上完成 CNN 做一个可行性研究，看一下 FPGA 是否适用于处理大规模机器学习问题。
卷积神经网络是一种深度神经网络 (DNN)，工程师最近开端将该技能用于各种辨认使命。图像辨认、语音辨认和自然语言处理是 CNN 比较常见的几大运用。
什么是卷积神经网络?
卷积神经网络是一种深度神经网络 (DNN)，工程师最近开端将该技能用于各种辨认使命。图像辨认、语音辨认和自然语言处理是 CNN 比较常见的几大运用。
2012 年,Alex Krishevsky 与来自多伦多大学 (University of Toronto) 的其他研究人员 [1] 提出了一种根据 CNN 的深度架构，赢得了当年的“Imagenet 大规模视觉辨认应战”奖。他们的模型与竞争对手以及之前几年的模型比较在辨认功能方面取得了实质性的提高。自此，AlexNet 成为了一切图像辨认使命中的比照基准。
AlexNet 有五个卷积层和三个细密层(图 1)。每个卷积层将一组输入特征图与一组权值滤波器进行卷积，得到一组输出特征图。细密层是彻底相连的一层，其间的每个输出均为一切输入的函数。
卷积层
AlexNet 中的卷积层担任三大使命，如图 2 所示：3D 卷积;运用校对线性单元 (ReLu) 完成激活函数;子采样(最大池化)。3D 卷积可用以下公式表明：
其间Y(m,x,y)是输出特征图m方位(x,y)处的卷积输出，S是(x,y)周围的部分邻域，W是卷积滤波器组，X(n,x,y)是从输入特征图n上的像素方位(x,y)取得的卷积运算的输入。
图 1 – AlexNet 是一种图像辨认基准，包括五个卷积层(蓝框)和三个细密层(黄)。
图 2 – AlexNet 中的卷积层履行 3D 卷积、激活和子采样。
所用的激活函数是一个校对线性单元，可履行函数Max(x,0)。激活函数会在网络的传递函数中引进非线性。最大池化是 AlexNet 中运用的子采样技能。运用该技能，只需挑选像素部分邻域最大值传播到下一层。
界说细密层
AlexNet 中的细密层相当于彻底衔接的层，其间每个输入节点与每个输出节点相连。AlexNet 中的第一个细密层有 9,216 个输入节点。将这个向量乘以权值矩阵，以在 4,096 个输出节点中发生输出。鄙人一个细密层中，将这个 4,096 节点向量与另一个权值矩阵相乘得到 4,096 个输出。最终，运用 4,096 个输出经过 softmax regression 为 1,000 个类创立概率。
在 FPGA 上完成 CNN
跟着新式高档规划环境的推出，软件开发人员能够更方便地将其规划移植到赛灵思 FPGA 中。软件开发人员可经过从 C/C++ 代码调用函数来充分运用 FPGA 与生俱来的架构优势。Auviz Systems 的库(例如 AuvizDNN)可为用户供给最佳函数，以便其针对各种运用创立定制 CNN。可在赛灵思 SD-Accel™ 这样的规划环境中调用这些函数，以在 FPGA 上发动内核。
最简略的办法是以次序办法完成卷积和向量矩阵运算。考虑到所触及核算量，因而次序核算会发生较大时延。
次序完成发生很大时迟的主要原因在于 CNN 所触及的核算的肯定数量。图 3 显现了 AlexNet 中每层的核算量和数据传输状况，以阐明其复杂性。
图 3 – 图表展现了 AlexNet 中触及的核算复杂性和数据传输数量。
