面向CNN的高能效模拟计算单元的设计.pdf

《面向CNN的高能效模拟计算单元的设计.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10286分类号：TN492密级：公开UDC：621.38学号：151255面向CNN的高能效模拟计算单元的设计研究生姓名：周陶梅导师姓名：单伟伟教授申请学位类别工学硕士学位授予单位东南大学一级学科名称电子科学与技术论文答辩日期2018年6月9日二级学科名称微电子学与固体电子学学位授予日期2018年月日答辩委员会主席蔡跃明评阅人吴建辉曹鹏2018年6月12日硕士学位论文面向CNN的高能效模拟计算单元的设计专业名称：微电子学与固体电子学研究生姓名：周陶梅导师姓名：单伟伟副教授DESIGNOFCNNORIENTEDENERGY-EF

2、FICIENTANALOGCOMPUTINGUNITAThesisSubmittedtoSoutheastUniversityFortheAcademicDegreeofMasterofEngineeringBYZHOUTaomeiSupervisedbyAssoc.Prof.SHANWeiweiSchoolofElectronicScienceandEngineeringSoutheastUniversityJune2018东南大学学位论文独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除

3、了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。研究生签名：日期：东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆、《中国学术期刊（光盘版）》电子杂志社有限公司、万方数据电子出版社、北京万方数据股份有限公司有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密

4、期内的保密论文外，允许论文被查阅和借阅，可以公布（包括以电子信息形式刊登）论文的全部内容或中、英文摘要等部分内容。论文的公布（包括以电子信息形式刊登）授权东南大学研究生院办理。研究生签名：导师签名：日期：摘要摘要卷积神经网络（ConvolutionalNeuralNetwork，CNN）已经成为机器学习的一项重要技术。在移动平台上，高能效对于CNN处理器来说至关重要，特别是在自动驾驶汽车、图像识别和其他物联网设备等能耗受限平台。对CNN处理器功耗进行分解，其功耗主要来源于两个方面：（1）数据访问功耗；（2）乘累加计算功耗。在许多网络模型上

5、已经证明了二值化CNN网络（BinarizedWeightNetwork，BWN）有高能效和接近全精度的识别能力。本文主要研究适用于BWN网络的新型矢量乘累加计算处理单元（ProcessingElement，PE）。论文主要工作包括：（1）总结了国内外提升CNN处理器能效的技术手段，重点分析了CNN中几种处理单元设计技术。考虑能效、面积等综合指标和CNN的容错性，选择了模拟矢量乘累加计算这一在提升网络能效方面具有很大优势的技术路线；（2）设计了存储和计算一体化的压控模拟乘累加计算单元，该计算单元提高了数据的复用率，减小了数据访问的功耗和乘

6、累加计算功耗，相比于数字电路乘累加计算单元，本文提出的乘累加单元的计算功耗降低了32.7%；（3）设计了一种抗工艺，电压和温度（ProcessVoltageTemperature，PVT）波动的数字化低压差线性稳压器（DigitalLowDropoutRegulator，DLDO），产生计算阵列的三个全局控制电压。基于TSMC28nmCMOS工艺，本文设计了大小为28×28的CNN矢量乘累加模拟计算阵列以及外围处理电路。该设计应用于CNN处理器中，以二值化权重的AlexNet网络为基准，根据不同卷积层将PE阵列配置成不同的计算模式。仿真结

7、果表明：在TT工艺角、25℃条件下，峰值能效达到20.46TOPS/W。关键词：卷积神经网络，乘累加，模拟计算，数字低压差线性稳压器，高能效IAbstractAbstractConvolutionalNeuralNetworks(CNN)hasemergedasafundamentaltechnologyformachinelearning.HighperformanceandhighenergyefficiencyareessentialforCNNprocessors,especiallyinmobileplatformssuchas

8、autonomousvehicles,imagerecognition,andotherinternetofdevice.ThemainenergyconsumptionofCNNcomesf