基于數據流計算圖的卷積神經網絡的理論和設計

謝仁杰

摘要：近年來在許多信號處理應用領域中，深度卷積神經網絡引起了學術界和工業界很大的關注，其中基于數據流圖的深度學習網絡Tensorflow框架得到了很多人的青睞。但在一些商業落地的研究和調查中發現，部分機構涉及一些自開發的計算單元，而它不被大型網絡框架所支持，又出于技術的保密性往往需要自行修改工業界的深度學習框架，這就造成了以下情況，①工業級大型代碼框架極其復雜，各大庫之間的調用很深且一般沒有注釋，不容易讀懂和修改，②對某一個單一應用來說，工業界絕大多數的代碼都是有冗余的，這就使得代碼整體比較臃腫（厚），性能會受點影響。基于這種受限的情況下，本文提出了一種基于信號處理數據流計算圖模型的方法，在多個平臺多核下實現車輛分類。該方法在整個使用過程中，展現了靈活地設計實現優化轉換能力，多平臺的兼容可實施性，可在有限的資源內根據自己的算法需求，分立式地量身定制。在硬件電路加速或芯片的設計中，數據流所得到的高輸出率、低延時特點是各廠家在寫RTL硬件設計語言時著重提出的特點，其次基于數據流的軟硬件設計易于算法代碼之間的轉換、實現、移植、調試、分析、綜合、集成、優化和驗證。

關鍵詞：深度學習;數據流;計算圖;多核運算;車輛分類

0引言

隨著國家進入人工智能時代，深度學習在嵌入式和計算機應用領域無處不在，例如汽車嵌入式系統和物聯網，從而激發了在資源受限的邊緣端做深度卷積神經網絡的設計方法和研究。……