文件名称：基于BWDSP众核的CNN计算任务划分优化
文件大小：1.09MB
文件格式：PDF
更新时间：2024-05-26 06:16:10
BWDSP众核架构 数据并行 卷积神经网络 计算任务划分
作为深度学习算法之一的卷积神经网络在多个领域有着重要的应用.因为其网络模型的规模和结构比较复杂，数据量较大，故需要考虑降低其对计算资源的要求.一般地，对于大数据量的计算任务，需要使用数据并行的方法进行任务的划分计算，而仅使用数据并行而对计算的任务的特点不加以结合，其数据传输量较高.因此需要通过对CNN网络结构及其计算特性的分析，设计合理的计算任务划分策略，减少数据的传输量.本文首先介绍了深度学习加速器中对计算任务的优化处理，接着介绍BWDSP的众核深度学习加速器的体系架构，并设计计算划分策略，基于VGGNet-16网络模型进行实验对比分析.实验结果表明该优化算法可以显著的提高数据传输的性能，降低数据的传输量.