该项目是我的本科毕业设计，主要设计了一种卷积神经网络（用于手写数字识别）推理的硬件加速器，使用 16 位定点数对网络参数进行量化，实验基于ZYNQ（XC7Z010）硬件平台，完成了加速器的实现与测试，最终使用 MNIST 测试集的准确率为 98.42%,与Tensorflow 32 位浮点数计算结果仅相差 0.05%；与CPU(i5-6200U)推理速度相比，单张图片推理加速比达到了84.8倍，10000 张图片推理加速比达到了43.6倍。
该项目是我的本科毕业设计，主要设计了一种卷积神经网络（用于手写数字识别）推理的硬件加速器，使用 16 位定点数对网络参数进行量化，实验基于ZYNQ（XC7Z010）硬件平台，完成了加速器的实现与测试，最终使用 MNIST 测试集的准确率为 98.42%,与Tensorflow 32 位浮点数计算结果仅相差 0.05%；与CPU(i5-6200U)推理速度相比，单张图片推理加速比达到了84.8倍，10000 张图片推理加速比达到了43.6倍。
在神经网络中，存在着大量的参数，如果这些参数都用浮点数表示，将会消耗大量的硬件资源，这对于硬件资源有限的嵌入式平台是十分不友好的。在实际硬件实现中，往往采用将浮点数进行定点化处理，用定点数来表示浮点数。
Update your browser to view this website correctly. Update my browser now