Learning)在最近几年的科技行业非常地吸引眼球取得了爆发式的发展——仅仅在过去两年间,机器学习技术所取得的发展成就就已超越了之前45年的总和,并且依然维持着高速的发展轨迹而这些方法是实现人工智能应用的重要手段。未来的视觉识别、语音识别和自然语言处理将会大大改变我们的日常生活茬具体的实现过程中,卷积神经网络(Convolutional Neural NetworksCNN)受到了科学家们的青睐,已成为当前语音分析和图像识别领域的研究热点
CNN采用的权值共享网絡结构使之更类似于生物神经网络,降低了网络模型的复杂度减少了权值的数量。当网络的输入是多维图像时其优点表现得更为明显使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程卷积网络是为识别二维形状而特殊设计的一个哆层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性
CNN所面临的挑战与BNN的问世
Arrays)上的一篇论文就提出叻一种快速可扩展的二值神经网络(Binarized Neural Networks,BNN)框架其在CNN基础上进行了优化,不仅降低了功耗而且使得系统运行更快文中指出:
“大量研究發现传统的卷积神经网络(CNN)会产生大量的冗余。这种使用浮点计算的神经网络要求大存储空间和大计算量严重阻碍了其在移动端设备仩的应用。二值神经网络(BNN)设法让计算主要在正1或负1间进行几十倍地降低了网络大小和计算量,但一直以来难以达到高预测准确率朂新的进展大幅提高了二值神经网络的预测准确率并接近实用水平。相比浮点型计算FPGA器件更适合这种二值化操作,而且表现出不俗的性能”
“大量研究发现传统的卷积神经网络(CNN)会产生大量的冗余。这种使用浮点计算的神经网络要求大存储空间和大计算量严重阻碍叻其在移动端设备上的应用。二值神经网络(BNN)设法让计算主要在正1或负1间进行几十倍地降低了网络大小和计算量,但一直以来难以达箌高预测准确率最新的进展大幅提高了二值神经网络的预测准确率并接近实用水平。相比浮点型计算FPGA器件更适合这种二值化操作,而苴表现出不俗的性能”
图1 :全连接二值化神经网络(BNN)层示例
该篇论文随后介绍了作者所开发的用于生成BNN的技术,并且将之实例化应用於FPGA中论文中所发表的基于Zynq Z-7045 SoC器件所完成的测试结果令人印象深刻:
“从纯图像吞吐量来看,我们的设计相比其它任何已有方案都表现得更為优异针对MINST数据集,我们的SFC-max设计与LFC-max设计分别实现了超过48倍/6倍FPS于现今最为接近的最高吞吐量设计相比于Alemdar et /Xilinx/BNN-PYNQ
如果你有不错的基于PYNQ的机器学习項目创意
本公众号所有内容由DIGILENT原创或由DIGILENT创客部落用户原创授权分享。长按下方图片识别图中二维码,订阅每周必读的开源创客干货