《表5 与其他加速器在Alex Net卷积层加速效果对比》

  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FPGA的卷积神经网络加速模块设计》

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

将提出的加速器在卷积层的加速结果与其他文献中的结果进行对比，其中Alex Net卷积层加速效果对比如表5所示，与VGG-16卷积层加速效果对比见表6.在Alex Net加速性能上，提出的加速器与文献[12-13]相比，本文加速器并行程度高，对不同尺寸卷积核适应性强，加速性能较好；与文献[8]的三维11×14×8计算阵列相比，规模与时序均有不足，性能存在差距.在VGG-16加速性能上，加速器与文献[13]相比加速效果较好，与文献[14]的加速性能基本一致，与文献[15]相比存在差距，存在差距的原因在于计算阵列规模与时序上有不足.在BRAM的使用上，本文加速器充分进行多种类型数据复用，优化片外访存，BRAM的资源使用量远小于其他文献，和内存资源消耗少的文献[14]相比，BRAM使用量节省41%.由于FPGA开发平台在工艺与资源上存在差别，在DSP性能效率上本文提出的加速器比文献[12-15]有更优异的性能表现，DSP性能效率提升33%.与文献[8]的加速器相比，本文加速器DSP性能效率在Alex Net加速上存在差距，主要是时钟频率差距带来的影响，但在BRAM使用上比文献[8]节省了约80%的内存.综上，本文提出的加速器从DSP性能效率与内存资源使用上看，综合表现优于当下的加速器，适合在移动端实现硬件加速.