摘要
卷积神经网络(convolutional neural network,CNN)作为传统神经网络的改进,已经得到了广泛的应用.然而,在CNN性能提升的同时其模型的规模不断扩大,对存储及算力的要求越来越高,基于冯·诺依曼体系结构的处理器难以达到令人满意的高处理性能.为了提升系统性能,近存储计算(near memory computing,NMC)成为了一个具有发展前景的研究方向.本文利用一种支持NMC的可重构阵列处理器实现手写数字识别,并行地实现了卷积运算;同时利用共享缓存阵列结构,减少片外存储的频繁访问.实验结果表明,在110 MHz的工作频率下,执行单个5×5卷积运算的计算速度提升了 75.00％,可以在9 960 μs内实现一个手写数字的识别.
维普
万方数据