面向小型邊緣計算的深度可分離神經網絡模型與硬件加速器設計

摘要： 神經網絡參數量和運算量的擴大，使得在資源有限的硬件平臺上流水線部署神經網絡變得更加困難?；诖?，提出了一種解決深度學習模型在小型邊緣計算平臺上部署困難的方法。該方法基于應用于自定義數據集的深度可分離網絡模型，在軟件端使用遷移學習、敏感度分析和剪枝量化的步驟進行模型壓縮，在硬件端分析并設計了適用于有限資源FPGA的流水線硬件加速器。實驗結果表明，經過軟件端的網絡壓縮優(yōu)化，這種量化... （共6頁）