如何给视觉应用中的神经网络加速？

英特尔开发人员专区

企业官方账号

2023-01-13 02:11:33

课时名称	课时知识点
如何给视觉应用中的神经网络加速？	如何给视觉应用中的神经网络加速？

...全文

232 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

背景目前神经网络应用在大多数的场景，包括计算机视觉（包括目标识别、检测），推荐系统，大型的科学计算等。神经网络的计算本质上是张量计算（tensor），因此为了加速神经网络的计算，我们就需要进行张量的加速计算。为了加速张量计算，我们需要软硬件协调。张量计算有两个特征计算密集（compute-intensive）访存受限（memory-bound）目前现存的一些技术算法层面稀疏性所谓的稀疏，就是利用神经网络计算过程中的零值元素。提出的要求就是只取出非零数值送到PE中，然后进行运算。包括的方面

针对计算机视觉领域中基于现场可编程逻辑门阵列(FPGA)的传统卷积神经网(CNN)络加速器不适配视觉Transformer网络的问题，该文提出一种面向卷积神经网络和Transformer的通用FPGA加速器。首先，根据卷积和注意力机制的计算特征，提出一种面向FPGA的通用计算映射方法;其次，提出一种非线性与归一化加速单元，为计算机视觉神经网络模型中的多种非线性和归一化操作提供加速支持;然后，在Xilinx XCVU37P FP- GA上实现了加速器设计。

计算机视觉CNN架构设计指南：如何构建高效的视觉模型？人工智能、大模型、AI、计算机视觉领域，卷积神经网络（Convolutional Neural Network，CNN）已成为主导性的模型架构。从图像分类到目标检测，从语义分割到图像生成，CNN 展现出了强大的性能。构建一个高效的 CNN 视觉模型，不仅需要对其基本原理有深入理解，还需要掌握一系列架构设计技巧。本文将详细探讨如何构建高效的 CNN 视觉模型，涵盖从基础概念到复杂架构设计的各个方面，并通过丰富的代码示例帮助读者更好地理解和实践。

深度学习框架，尤其是基于人工神经网络的框架可以追溯到1980年福岛邦彦提出的新认知机[2]，而人工神经网络的历史更为久远。1989年，燕乐存（Yann LeCun）等人开始将1974年提出的标准反向传播算法[3]应用于深度神经网络，这一网络被用于手写邮政编码识别。尽管算法可以成功执行，但计算代价非常巨大，神经网路的训练时间达到了3天，因而无法投入实际使用[4]。

作者：禅与计算机程序设计艺术 1.简介　　卷积神经网络(Convolutional Neural Network, CNN)在图像识别、目标检测、图像分割等领域都有着广泛的应用，其性能优越于传统机器学习方法，成为了解决图像相关任务的有效工具。CNN的主要特点包括: 　　　　1）局部感受野

英特尔的课程社区_NO_1

6

社区成员

155

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章