《卷积神经网络加速器》

《卷积神经网络加速器》全面而透彻的资源，探索不同类型的卷积神经网络和互补加速器

《卷积神经网络加速器》为物联网（IoT）和边缘计算从业者构建卷积神经网络（CNN）加速器提供了基本的深度学习知识和指导性内容，阐明了CNN的压缩编码，提出了一种两步无损输入特征图压缩方法，讨论了基于算术编码的无损权重压缩方法以及相关解码方法的设计， 描述当代稀疏 CNN，这些 CNN 考虑了权重和激活映射的稀疏性，并讨论了硬件/软件协同设计和协同调度技术，这些技术可以更好地优化和利用 CNN 加速的可用硬件资源。

本书的第一部分概述了CNN以及不同当代CNN模型的组成和参数。后面的章节将重点介绍CNN的压缩编码和密集CNN加速器的设计。该书还为CNN加速器的未来研发提供了方向。

《卷积神经网络加速器》中涵盖的其他示例主题 包括：

• 如何应用算术编码和解码以及范围缩放，实现 5 位 CNN 权重的无损权重压缩，以在资源极其受限的系统中部署 CNN
• 围绕密集 CNN 加速器的最新研究，这些加速器主要基于收缩阵列或并行乘法累加 （MAC） 阵列
• iMAC 密集 CNN 加速器，结合了图像到列 （im2col） 和通用矩阵乘法 （GEMM） 硬件加速
• 多线程、低成本、基于日志的处理元素 （PE） 内核，其实例堆叠在空间网格中以生成 NeuroMAX 密集加速器
• Sparse-PE，一个多线程且灵活的 CNN PE 核心，它利用权重和激活映射的稀疏性，其实例可以堆叠在空间网格中，以生成稀疏 CNN 加速器

对于人工智能、计算机视觉、计算机体系结构和嵌入式系统的研究人员，以及相关学习课程的研究生和高年级本科生来说，《卷积神经网络加速器》是理解该学科和相关应用的许多方面的重要资源。