基于FPGA的人工神經(jīng)網(wǎng)絡實現(xiàn)方法的研究
加入技術交流群
(3)隨機比特流方法
隨機比特流(Stochastic Bit Strearns)的方法是使用串行隨機的方法實現(xiàn)一些運算操作，目的是為了節(jié)約資源和充分利用神經(jīng)網(wǎng)絡的實時性。隨機算法的提出源于它的簡易性，基本原理即首先將所有的輸入轉換成二進制隨機比特流，就是任意化；然后，由數(shù)字電路組成的隨機算法實現(xiàn)取代正常的算法；最后，隨機比特流轉回到正常的數(shù)值(文獻[10]中有詳細總結)。隨機算法提供一種方法，用簡單的硬件實現(xiàn)復雜的計算，同時又不失靈活性，而且隨機實現(xiàn)又與現(xiàn)代VLSI設計和生產(chǎn)技術兼容。
FPNA實現(xiàn)方法：
憑借著簡化的拓撲結構和獨特的數(shù)據(jù)交換流圖，F(xiàn)PNA(Field Programmable Neural Arrays)成功地解決了以簡單的硬件拓撲結構有效地實現(xiàn)復雜的神經(jīng)架構問題，是一種特別適合FPGA直接實現(xiàn)的神經(jīng)計算范例。FPNA基于一種類似FPGA的結構：它包含一系列可以自由配置的資源，這些神經(jīng)資源被定義用來實現(xiàn)標準神經(jīng)元的計算功能，但是它們是一種自主的方式，這樣通過有限的連接可以創(chuàng)造出許多虛擬的連線。利用這種新的神經(jīng)計算理念，一個標準的但結構復雜的神經(jīng)網(wǎng)絡可以由一個簡化的神經(jīng)網(wǎng)絡替代(文獻[11]給出了詳細的數(shù)學表示和說明)。
為了有個直觀的理解，圖3(a)表示一個簡單的MLP結構；圖3(b)說明通過節(jié)點間的直接連接建立虛擬連接。本文引用地址：http://www.ex-cimer.com/article/191889.htm
文獻[11]中的例證表明FPNA計算范例確實允許一系列給定的神經(jīng)資源代替具有不同架構的標準神經(jīng)網(wǎng)絡。然而，從圖4中可能并非如此，MLP架構并沒有得到簡化，原因在于如此簡單的MLP完全沒有必要，也不可能再簡化。文獻[12]描述了大型神經(jīng)網(wǎng)絡得到明顯簡化的實例。需要注意的是，F(xiàn)PNA是一個適應神經(jīng)計算的硬件框架，而不是一種處理簡化神經(jīng)計算的實現(xiàn)方法(Field Programmable Neural Network，F(xiàn)PNN)。要設計一個FPNA，首先要選擇一個針對應用的合適的標準神經(jīng)架構，然后決定一個既適合于實現(xiàn)又在功能上等價于所選擇神經(jīng)網(wǎng)絡的可配置FPNA，F(xiàn)PNA獨特的計算方案在于在復雜神經(jīng)網(wǎng)絡和可用的硬件資源之間創(chuàng)造了一座橋梁，它適用于許多實現(xiàn)選擇；最后，得到的FP-NA直接映射到硬件設備上，這將得益于完整的模塊式實現(xiàn)，即對于每個神經(jīng)資源，預先給定可配置模塊，然后依照。FPNA硬件友好的架構進行組合。
3 基于FPGA的神經(jīng)網(wǎng)絡的性能評估及局限性
對于FPGA實現(xiàn)的ANN，最普遍的性能評估方法是每秒神經(jīng)元乘累加的次數(shù)(Connections-Per-Sec-ond，CPS)和即每秒權值更新的次數(shù)(Connections-Updates-Per-Second，CPUS)。但是CPS和CPUS并不是適于所有的網(wǎng)絡，如RBF徑向基網(wǎng)絡，另外，更大的CPS和CPUS值并不一定意味著更好的性能。因此，最好的性能測量方法是實際執(zhí)行時間，但是仍有些問題要討論。FPGA實現(xiàn)神經(jīng)網(wǎng)絡存在的一些缺點(相對于計算機軟件而言)：
(1)FPGA上實現(xiàn)的神經(jīng)網(wǎng)絡大多數(shù)是計算結構，而不是認知結構(雖然現(xiàn)在有些人試圖在FPGA上實現(xiàn)BP算法。但是整個的結構和時序控制變得很復雜，并且無法達到計算機軟件那樣的計算精度)；
(2)在FPGA上實現(xiàn)的神經(jīng)網(wǎng)絡通用性差。目前FPGA的使用者大多數(shù)都是在RTL級(寄存器傳輸級)編寫VHDL／Verilog HDL實現(xiàn)數(shù)字系統(tǒng)，而正在興起的Handel-CSystemC，可以使硬件編程者站在算法級角度，可能對以后的基于FPGA的神經(jīng)網(wǎng)絡的性能有所改善。
4 基于FPGA實現(xiàn)神經(jīng)網(wǎng)絡的發(fā)展方向
(1)一種基于REMAP-β實現(xiàn)神經(jīng)網(wǎng)絡汁算機的方法。REMAP-β可重構架構基于FPGA技術，RE-MAP-β并行計算機應用在嵌入式實時系統(tǒng)中，以有效提高ANN算法實現(xiàn)的效率，目前它的進一步發(fā)展RE-MAP-r正在探討中。
(2)另一種基于FPGA實現(xiàn)神經(jīng)網(wǎng)絡的發(fā)展方向――系統(tǒng)C語言，直接在可編程硬件平臺支持C／C++，使得編程更加容易。但是這個轉換并不容易，因為：FPGA不是程序，而是電路。
5 結 語
詳細總結了FPGA實現(xiàn)神經(jīng)網(wǎng)絡的方法及相關問題，這里要注意，基于FPGA實現(xiàn)神經(jīng)網(wǎng)絡，并不是要與基于計算機軟件實現(xiàn)一比高低，相反，在很多情況下，采用計算機軟件測試神經(jīng)網(wǎng)絡的收斂情況，計算出收斂時的權值，然后通過數(shù)據(jù)口線與FPGA模塊通信，把權值交給FPGA中的神經(jīng)網(wǎng)絡，使用FPGA完成現(xiàn)實的工作。直到現(xiàn)在，軟件方法仍然是實現(xiàn)神經(jīng)網(wǎng)絡的首選。另外，對于硬件設計者(指利用FPGA或者全定制、半定制ASIC實現(xiàn)設計)而言，mask ASICs提供首選的方法以得到大規(guī)模、快速和完全的神經(jīng)網(wǎng)絡?，F(xiàn)在它已經(jīng)開發(fā)出了所有的新型可編程器件的嵌入式資源，以得到可以實時訓練的更有用的神經(jīng)網(wǎng)絡。
評論