《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計 > 設(shè)計應(yīng)用 > 基于動態(tài)自適應(yīng)計算引擎的MobileNetV3網(wǎng)絡(luò)加速器設(shè)計
基于動態(tài)自適應(yīng)計算引擎的MobileNetV3網(wǎng)絡(luò)加速器設(shè)計
電子技術(shù)應(yīng)用
項浩斌1，楊瑞敏1,，吳文濤1，李春雷1,，董燕1,，2
1.中原工學(xué)院 信息與通信工程學(xué)院；2.電子科技大學(xué) 自動化工程學(xué)院
摘要： 現(xiàn)有面向高效輕量化MobileNetV3網(wǎng)絡(luò)的加速方法通常采用高度定制的計算引擎進(jìn)行模型計算,，從而限制了加速器的可擴(kuò)展性使其僅適用于小型網(wǎng)絡(luò)或資源豐富的硬件平臺,。針對此問題，提出了基于動態(tài)自適應(yīng)計算引擎的MobileNetV3網(wǎng)絡(luò)加速器,。首先,，設(shè)計了局部感知區(qū)域卷積的流水線推理架構(gòu)實現(xiàn)特征、權(quán)重的高度并行處理和緩沖調(diào)度,。其次,，提出全局自適應(yīng)的點卷積方法優(yōu)化點卷積，并結(jié)合空間探索獲得最優(yōu)的參數(shù)配置以實現(xiàn)最大計算并行性,。此外,，加速器可以根據(jù)模型參數(shù)變化動態(tài)配置以適應(yīng)不同場景。實驗結(jié)果顯示加速器推理速度為8 F/s，是現(xiàn)有方法速度的2.7倍,。
中圖分類號：TN791,；TP183 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.244918
中文引用格式： 項浩斌，楊瑞敏,，吳文濤,，等. 基于動態(tài)自適應(yīng)計算引擎的MobileNetV3網(wǎng)絡(luò)加速器設(shè)計[J]. 電子技術(shù)應(yīng)用，2025,，51(1)：8-17.
英文引用格式： Xiang Haobin,，Yang Ruimin，Wu Wentao,，et al. Design of MobileNetV3 network accelerator based on dynamic adaptive computing engine[J]. Application of Electronic Technique,，2025，51(1)：8-17.
Design of MobileNetV3 network accelerator based on dynamic adaptive computing engine
Xiang Haobin1,，Yang Ruimin1,，Wu Wentao1，Li Chunlei1,，Dong Yan1,，2
1.School of Information and Communication Engineering， Zhongyuan University of Technology,； 2.School of Automation Engineering,， University of Electronic Science and Technology of China
Abstract： Existing acceleration methods for efficient and lightweight MobileNetV3 networks usually use highly customized computing engines for model calculations, which limits the scalability of the accelerator and makes it only applicable to small networks or resource-rich hardware platforms. To address this problem, this paper proposes a MobileNetV3 network accelerator based on a dynamic adaptive computing engine. Firstly, a pipeline inference architecture of local perception area convolution is designed to achieve highly parallel processing and buffer scheduling of features and weights. Secondly, a global adaptive point convolution method is proposed to optimize point convolution and combine spatial exploration to obtain the optimal parameter configuration to achieve maximum computational parallelism. In addition, the accelerator can be dynamically configured according to model parameter changes to adapt to different scenarios. Experimental results show that the accelerator's inference speed is 8 F/s, which is 2.7 times as fast as existing methods.
Key words : convolutional neural networks；parallel computing,；dynamic adaptation,；edge devices；hardware acceleration

引言

近年來,，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,，CNN）在圖像分類[1]、目標(biāo)檢測[2],、立體視覺[3]等方面得到應(yīng)用,。為了追求更高的分類精度，CNN結(jié)構(gòu)變得越來越復(fù)雜,，導(dǎo)致密集的計算和頻繁的內(nèi)存訪問,，因此將CNN部署在功耗和資源有限的邊緣設(shè)備上面臨著巨大挑戰(zhàn)[4-5]。

最近研究表明,，大規(guī)模CNN具有高度的誤差彈性,，模型參數(shù)和操作具有相當(dāng)大的冗余[6-7]。因此,，為了部署在資源受限的邊緣設(shè)備上，相關(guān)學(xué)者提出模型輕量化的技術(shù)，如輕量化網(wǎng)絡(luò)設(shè)計,、剪枝[8]和量化[9]等,，在保持精度的前提下降低計算復(fù)雜度。其中,，MobileNetV3是一種特征提取能力較強的輕量化網(wǎng)絡(luò),，它用深度可分離卷積（Depthwise Separable Convolution，DSC）取代傳統(tǒng)的計算密集型標(biāo)準(zhǔn)卷積（Standard Convolution,，SC）,，通過解耦通道維度和空間維度之間的相關(guān)性，顯著減少模型的參數(shù)量,，但是針對高速實時任務(wù),，仍需進(jìn)一步優(yōu)化。

為了應(yīng)對這一挑戰(zhàn),基于圖形處理單元（Graphics Processing Unit,，GPU）,、現(xiàn)場可編程門陣列（Field Programmable Gate Array，F(xiàn)PGA）和專用集成電路（Application Specific Integrated Circuit,，ASIC）的專用神經(jīng)網(wǎng)絡(luò)加速器已經(jīng)成為研究熱點[10],。盡管ASIC加速器在性能方面具有優(yōu)勢，但設(shè)計和實現(xiàn)時間較長,。FPGA在執(zhí)行相同計算負(fù)載時能耗較低,，比傳統(tǒng)的中央處理器（Central Processing Unit，CPU）和GPU更具節(jié)能優(yōu)勢,。因此,，近年來FPGA在實現(xiàn)CNN硬件加速器[11-15]方面得到廣泛應(yīng)用。然而,，MobileNetV3基于DSC的架構(gòu)在內(nèi)存帶寬方面的瓶頸限制了加速器的性能,，導(dǎo)致基于DSC的加速器處理單元（Processing Element，PE）效率較低,。為了實現(xiàn)DSC進(jìn)一步加速,，Liu等人[16]設(shè)計了深度卷積（Depthwise Convolution，DWC）和點卷積（Pointwise Convolution,，PWC）兩種模式的動態(tài)DSC加速器,。但該研究中PE配置極其復(fù)雜，并需要對逐層數(shù)據(jù)流進(jìn)行大量的內(nèi)存訪問,，導(dǎo)致加速效果有限,。Light-OPU[17]開發(fā)了高效的軟硬件協(xié)同加速系統(tǒng)，在輕量級和標(biāo)準(zhǔn)卷積運算之間共享計算引擎,，同時在DSC層計算時,，保持較低資源利用率?，F(xiàn)有的大多數(shù)基于DSC的加速器都采用了平鋪策略來適應(yīng)芯片上存儲有限的許多特征映射。然而在推理過程中,，這種策略產(chǎn)生大量的片外數(shù)據(jù)傳輸和數(shù)據(jù)處理,，導(dǎo)致延遲和能耗的增加[18-19] 。

此外,，為了有效實現(xiàn)基于DSC的CNN的算法,，人們提出了許多特定的硬件加速器。Shao等人[20]和Xie等人[21]利用層間特征壓縮技術(shù)或模型網(wǎng)絡(luò)的稀疏性來減少片上存儲的消耗,，而Hsieh 等人[22]和Mrazek等人[23]則通過減少片上存儲的消耗來減輕計算資源的壓力,。然而這些加速器大多只關(guān)注可重構(gòu)性和靈活性有限的標(biāo)準(zhǔn)卷積層，這使得它們不能在不同的應(yīng)用程序和場景中使用新出現(xiàn)的卷積變體,。目前基于DSC的加速器采用統(tǒng)一的引擎架構(gòu),，實現(xiàn)層間和層內(nèi)并行的靈活控制[24-25]，但是這些設(shè)計對硬件要求極高,，不適用于大型網(wǎng)絡(luò)和資源受限的嵌入式平臺,。

為了解決上述問題，本文提出一種基于動態(tài)自適應(yīng)計算引擎硬件加速器,，旨在優(yōu)化和改進(jìn)基于DSC卷積神經(jīng)網(wǎng)絡(luò),，從而實現(xiàn)對MobileNetV3網(wǎng)絡(luò)的加速。首先,，設(shè)計了局部區(qū)域感知卷積的流水線硬件推理架構(gòu),，通過對局部區(qū)域進(jìn)行感知，更加精確地定位和處理卷積操作,，減少計算量和數(shù)據(jù)傳輸,。其次，提出了高度可配置的動態(tài)自適應(yīng)計算引擎,，可以根據(jù)模型結(jié)構(gòu)和計算需求進(jìn)行靈活的優(yōu)化和配置,，以提高計算引擎的利用率和效率，避免了固定配置下的資源浪費和性能瓶頸,。最后,，采用全局自適應(yīng)的點卷積方法，減少內(nèi)存訪問次數(shù),，提高計算效率,，減少數(shù)據(jù)傳輸和處理的開銷。


本文詳細(xì)內(nèi)容請下載：

http://forexkbc.com/resource/share/2000006275


作者信息：

項浩斌1,，楊瑞敏1,，吳文濤1，李春雷1,，董燕1,，2

（1.中原工學(xué)院 信息與通信工程學(xué)院,，河南 鄭州 450007；

2.電子科技大學(xué) 自動化工程學(xué)院,，四川 成都 610000）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載。