《表2 网络模型在CIFAR-100测试的结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于ARM+FPGA平台的二值神经网络加速方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

二值神经网络模型中的一个复杂因素是二值化数据参与卷积运算时与边缘填充之间的相互作用。二值神经网络将每个激活值二值化为-1或+1，但每个输入特征图都用零填充边缘，这意味着卷积可以看到最多三个值:-1、0、+1。而Ternary-NN[23]网络就考虑了这种情况，将激活函数的值分成了三部分，相较于二值数据，不再考虑边缘填充带来的影响。而二值神经网络针对三个值在存储时可能就需要两个数据位来保存运算符。本文使用+1的填充方式来重新训练网络，消除了零点并建立了一个真正的二值化CNN。这个+1填充的BNN在训练时实现了58.74%的准确率，在C/C++的FPGA中实现了57.24%的准确率，仅比原来的稍差。对于FPGA实现，使用+1填充更符合本文的网络设计，考虑到硬件资源的节约，还是采取0填充的方式。表2比较了对相同的测试数据集CI-FAR-100各网络模型的测试结果。