FPGA上CNN实现加速：Nallatech与AlteraOpenCL的应用

本文主要探讨了如何在FPGA（Field-Programmable Gate Array）上实现卷积神经网络（CNN）以加速图像识别任务。文章提到了Nallatech公司的FPGA加速产品，该产品利用Altera的OpenCL软件开发套件进行编程，允许用户通过调整计算精度来优化CNN的性能。降低精度可以增加FPGA加速器每秒处理的图像数量。 文中介绍了一个流行的深度学习框架——Caffe，该框架由伯克利视觉学习中心（BVLC）开发并由社区维护。Caffe以其高效、表达性强和模块化的设计而闻名，用户可以通过XML接口定义不同处理层，构建定制的CNN网络拓扑。Caffe框架的关键层包括： 1. **卷积层**：这是CNN的核心，通过学习的滤波器对输入图像进行卷积，生成特征图。 2. **池化层**：用于减小数据维度，常采用最大池化，选择每个子区域的最大值作为输出。 3. **ReLU层**：线性修正层，用于激活函数，当输入为正时输出保持不变，输入为负则输出为负的斜率倍数。 4. **IP/FC层**：全连接层，将图像表示为单个向量，并影响新输出向量的每个点。 为了在FPGA上实现这些层，用户只需修改Caffe的XML网络描述文件，就可以访问FPGA加速卡上的代码版本。这一过程无需直接修改FPGA代码。 文章还提及了ImageNet CNN，这是一个广泛使用的预训练模型，包含大量训练数据和基准测试。ImageNet CNN由多个卷积层和全连接层组成，其中卷积层占据了处理时间的绝大部分。不同的卷积层使用不同大小的滤波器，如11x11, 5x5和3x3，每个层的计算时间取决于应用的滤波器数量和大小。 该文阐述了FPGA在CNN加速中的作用，特别是在Caffe框架下的实现方法，以及如何利用这种技术提高复杂图像识别任务的效率。此外，还展示了ImageNet CNN的结构，强调了其在FPGA实现中的挑战和可能的优化策略。这一实现不仅适用于ImageNet，也可以推广到其他CNN网络。