针对目前深度学习中的卷积神经网络（CNN）在CPU平台下训练速度慢、耗时长的问题，采用现场可编程门阵列（FPGA）硬件平台设计并实现了一种深度卷积神经网络系统。该系统采用修正线性单元（ReLU）作为特征输出的激活函数并使用Softmax函数作为输出分类器。利用流水线技术并针对每一层的特征运算进行了并行处理，从而能够在1个系统时钟周期内完成整个CNN中的295次卷积运算。系统最后采用MNIST数据集作为实验样本，实验结果表明，在50 MHz的工作频率下，FPGA的训练用时相较于通用CPU的训练用时提升了8.7倍，经过2 000次迭代后系统识别的准确率为92.42%。
2021-04-18 15:17:44
414KB
1
首先给出了SM3在SoC上的实现，然后主要分析了算法的结构，选择Verilog语言进行算法描述，使用ModelSim进行仿真，用SoPC Builder进行接口封装，最后在Cyclone IV 系列的EP4CE22F17C8N上进行了实现，测试表明，运行频率可以达165 MHz，吞吐量为1 184.8 Mbit/s。
2021-04-01 16:29:08
672KB
1
课程报告PPT，描述量子机器学习中量子态制备的相关知识，包括硬件实现和软件实现，介绍的较为简略，说明了量子机器学习兴起的原因。
2021-03-29 11:06:11
1.94MB
1
非常详细的介绍了在FPGA上实现神经网络，每个模块都有对应的硬件结构，对新手来说也是相当的友好。
2021-03-19 20:19:21
15.57MB
1
整理ANALOG 的软硬件资源，部分有用的参考软件程序，全网资料最全，硬件电路原理图及PCB都有，PADS，candence的。软件可供参考。
2021-03-03 12:15:13
12.29MB
1
计算机系统 核心概念及软硬件实现-第4版-高清-完整目录-2015年7月
2021-02-27 17:28:57
111.51MB
1
储备池计算是一种适合处理时序信号的简单高效的机器学习算法。相比在传统电子计算机上用软件实现的方式, 储备池计算在光器件上的实现方式将更有利于超高速和超低功耗的信息处理。介绍了储备池计算的基本原理, 从输入层、储备池和输出层三个方面介绍了储备池计算硬件实现方案的研究进展, 指出了储备池计算硬件实现方案发展中存在的问题, 并展望了其未来发展趋势。
2021-02-06 19:08:17
9.08MB
1