超详细案例解读，利用FPGA加速深度神经网络运算

2020-7-21 22:47| 发布者: admin| 查看: 30| 评论: 0|原作者: 叶子

摘要: 　　全联接神经网络是一种计算量比较大的机器学习模型，在训练和推断过程中需要对所有神经元进行矩阵计算。为了加快计算速度，各公司的大佬们采取了不同手段进行数据的抽象和综合。　　通常来说，我们采用卷积操作 ...

　　全联接神经网络是一种计算量比较大的机器学习模型，在训练和推断过程中需要对所有神经元进行矩阵计算。为了加快计算速度，各公司的大佬们采取了不同手段进行数据的抽象和综合。

　　通常来说，我们采用卷积操作，将数据进行抽象和综合，然后送入到全连接神经网络进行最后的计算，实质上就是矩阵运算等数学计算的一系列综合操作。

　　熟悉矩阵运算的朋友都知道，矩阵当中的每个元素和其他元素是没有关联的，这种特性天然就适合使用并行计算的方式来加快其计算速度。

　　重点来了！并行计算正是 FPGA 等芯片的强项，利用FPGA将有效实现深度学习神经网络的加速计算（推理），下面是具体的操作展示。

　　1.深度学习神经网络的环境搭建

　　2.安装 OpenCL的开发环境，使Intel? Arria? 10 FPGA作为OpenCL的设备，注意安Intel对应的SDK

　　3.利用 Tensorflow 作为框架，实现一个简单的全连接神经网络

　　（提供一个算法描述示例，使用 Mnist 数据集作为训练和测试）

　　1）Mnist 数据集每张图片为 28×28 像素，将每张图片的像素点作为输入

　　2）第一个隐藏层设置 500 个神经元，与输入图像的 784 个像素点做计算（矩阵乘法）

　　3）将得到的结果使用 relu 函数进行结果，只保留数值 >0 的结果，其他的设置为 0

　　4）第二个隐藏层设置 10 个神经元，与第一个隐藏层的输出进行计算（矩阵乘法），最终得到 10 个结果作为输出

　　从上述的算法描述当中，我们可以看到实际上就是几次矩阵的计算过程：一个 [1,784] 和 [784, 500] 的矩阵乘法，得到一个 [1,500] 的中间矩阵；然后这个 [1,500] 的中间矩阵与 [500, 10] 的矩阵进行计算，最终得到一个 [1,10] 的矩阵，这个就是我们的最终结果。

　　4.对搭建完成的神经网络进行训练，训练之后得到模型文件

　　5.通过一定的操作方式，提取这些模型文件中的模型参数

　　6.把模型参数当作输入的参数，送入到FPGA当中进行加速计算，实现推理过程

　　上述神经网络算法的OpenCL实现，大致如下：

　　