基于FPGA的反馈神经网络硬件实现

2017 DDC中国区选拔赛作品 | 深度学习

417029747   项目发起人  06-14

本项目主要研究的是最短路径神经网络模型的仿真与硬件设计问题。System Generator是Xilinx公司开发的基于Simulink图形环境的DSP开发工具,同时也是一个基于FPGA的信号处理建模和设计工具。本文采用 System Generator 与 Vivado 联合设计,用 System Generator 进行系统建模,生成模型化的数字系统,将设计转换成硬件电路,最后在 Vivado 中完成仿真、综合、实现及芯片配置。以 Xilinx Nexys4 DDR 开发板为硬件平台,实现神经网络的硬件实现。

项目详情

项目创意灵感
目前对人工神经网络实现技术的研究主要有软件实现和硬件实现。软件模拟神经网络的方法存在着速度慢而且并行程度低的问题,不能满足神经网络实时计算的要求。此外软件模拟实现的方法需要庞大体积的计算机做支持就更不适合应用于嵌入式场合。FPGA有“液体硬件”之称,是可重构处理单元的典型代表,具有规则的可编程结构,可实现各种逻辑功能,属于硬件可编程。FPGA具有很强的运算能力,具有极大的灵活性,而且随着FPGA容量的进一步增大,功能进一步增强可以通过集成降低系统成本。
设计特色创新
FPGA芯片具有面积小、运算速度快、造价低、可编程、灵活性好、可重构、设计周期短等优点,这些都是用FPGA实现神经网络硬件生成的优势所在。
系统原理功能
项目以最短路径问题为例,建立神经网络模型,并对其进行软件模拟和硬件设计。本文采用 System Generator 与 Vivado 联合设计,用 System Generator 进行系统建模,生成模型化的数字系统,将设计转换成硬件电路,最后在 Vivado 中完成仿真、综合、实现及芯片配置。以 Xilinx Nexys4 DDR 开发板为硬件平台,实现神经网络的硬件实现。
完成情况概述
针对最短路径模型,利用System Generator建模并自动生成HDL硬件描述语言,在Vivado软件中进行仿真,并在Nexys4 DDR FPGA硬件开发平台上验证,并选用数码管显示最终运算结果。实验表明使用fpga实现此算法具有收敛速度快,功耗小等特点。
展望项目未来
要想神经网络能够在实际中进行有效的应用,基于FPGA的神经网络实现技术就必须达到能够支持大规模的神经网络模型的计算要求,而且还要尽可能地缩短神经计算的时间,而如何使得FPGA有效支持大规模的神经网络模型的计算还有待研究。这一方面,固然要寄希望于FPGA芯片性能的进一步改善,但是实现网络的数学模型的改进和实现神经网络的工作流程的优化和改进也无疑是解决这个问题的突破口。
项目采用平台:

我要评价