《表2 输入不同规模卷积层对结构计算性能效率影响》

  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

《3D-ACC:基于3D集成电路的卷积神经网络加速结构研究》

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

由于加速器结构的固定不变性，卷积层输入维度的变化是影响结构实际性能效率的重要因素。实验时，假定计算结构的维度p为64，ACMB的深度d为128，每层slice的KERB为512 KB时，从表1中选取不同卷积神经网络模型的典型卷积层，统计输入维度变化对计算结构的性能效率的影响。为了减少启动、收尾时间对计算结构性能效率的影响，实验假设计算时的batch size为16，表2统计了输入不同维度的卷积层时计算结构的实际性能效率。从表2可以看出，卷积层输入维度变化对该计算结构的性能效率影响较大。C1的计算效率远低于C2，原因是C1的卷积核数仅为64，远小于pq=256，无法充分利用计算资源，导致计算资源浪费。C3的计算效率远低于C2，原因是C3的卷积核尺寸仅为1×1，无卷积窗口重叠的复用，在访存带宽受限时，C3的效率低于C2。C4的计算效率高于C3，原因是C4每个卷积核参数量更大，其计算密度更高。C5最低的原因是其卷积核个数仅为32，造成大量计算资源不能被充分利用。由上述分析可知，在访存带宽一定时，输入卷积层的卷积核数量以及尺寸较大时，可显著提升计算结构的计算效率。