面向小型邊緣計算的深度可分離神經(jīng)網(wǎng)絡(luò)模型與硬件加速器設(shè)計

摘要： 神經(jīng)網(wǎng)絡(luò)參數(shù)量和運算量的擴大，使得在資源有限的硬件平臺上流水線部署神經(jīng)網(wǎng)絡(luò)變得更加困難。基于此，提出了一種解決深度學(xué)習(xí)模型在小型邊緣計算平臺上部署困難的方法。該方法基于應(yīng)用于自定義數(shù)據(jù)集的深度可分離網(wǎng)絡(luò)模型，在軟件端使用遷移學(xué)習(xí)、敏感度分析和剪枝量化的步驟進行模型壓縮，在硬件端分析并設(shè)計了適用于有限資源FPGA的流水線硬件加速器。實驗結(jié)果表明，經(jīng)過軟件端的網(wǎng)絡(luò)壓縮優(yōu)化，這種量化...