| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景 | 第10-15页 |
| 1.1.1 人工神经网络算法发展历史及研究现状 | 第10-12页 |
| 1.1.2 FPGA可重构加速器的研究现状 | 第12-14页 |
| 1.1.3 FPGA平台上实现人工神经网络算法加速存在的问题 | 第14-15页 |
| 1.2 课题研究内容 | 第15-16页 |
| 1.3 论文结构 | 第16-17页 |
| 第二章 人工神经网络算法概述 | 第17-26页 |
| 2.1 人工神经网络算法结构 | 第17-22页 |
| 2.1.1 ELM算法结构 | 第18-19页 |
| 2.1.2 AlexNet算法结构 | 第19-22页 |
| 2.2 人工神经网络算法计算核心 | 第22-24页 |
| 2.2.1 卷积 | 第22页 |
| 2.2.2 矩阵乘法 | 第22-23页 |
| 2.2.3 复杂函数 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 人工神经网络算法的数据定点化处理 | 第26-36页 |
| 3.1 算法定点化处理 | 第26-28页 |
| 3.1.1 数据格式的转换 | 第26-27页 |
| 3.1.2 运算过程中的饱和处理 | 第27-28页 |
| 3.1.3 定点化处理的评价标准 | 第28页 |
| 3.2 ExtremeLearningMachine(ELM)算法的定点化处理 | 第28-32页 |
| 3.2.1 ELM算法的定点化仿真 | 第28-30页 |
| 3.2.2 ELM算法定点化评估结果 | 第30-32页 |
| 3.3 AlexNet全连接层算法的定点化处理 | 第32-35页 |
| 3.3.1 AlexNet全连接层算法的定点化仿真 | 第32-34页 |
| 3.3.2 AlexNet全连接层算法定点评估结果 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 人工神经网络算法计算核的加速器 | 第36-54页 |
| 4.1 卷积运算的加速器 | 第36-40页 |
| 4.1.1 普通卷积的加速器设计 | 第36-38页 |
| 4.1.2 二值卷积的加速器设计 | 第38-39页 |
| 4.1.3 性能评估 | 第39-40页 |
| 4.2 矩阵乘法的加速器 | 第40-49页 |
| 4.2.1 矩阵存储组织 | 第40-42页 |
| 4.2.2 块内计算模式 | 第42-47页 |
| 4.2.3 块间计算模式 | 第47-48页 |
| 4.2.4 性能评估 | 第48-49页 |
| 4.3 复杂函数Sigmoid的加速器 | 第49-53页 |
| 4.3.1 加速器设计 | 第50-51页 |
| 4.3.2 性能评估 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 加速器的自动生成技术 | 第54-60页 |
| 5.1 生成器整体结构 | 第54-56页 |
| 5.2 用户参数空间搜索 | 第56-57页 |
| 5.3 生成器效果评估 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 结束语 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者在学期间取得的学术成果 | 第67页 |
