| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 人工神经网络模型及其发展 | 第9-11页 |
| 1.1.2 深度学习的基本概念及其应用 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 神经网络硬件加速方案研究现状 | 第12页 |
| 1.2.2 神经网络加速器研究热点 | 第12-13页 |
| 1.3 论文研究内容及创新点 | 第13-14页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 创新点 | 第14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 第二章 RNN网络结构分析及加速器系统技术研究 | 第17-29页 |
| 2.1 递归神经网络拓扑结构及算法分析 | 第17-22页 |
| 2.1.1 神经网络基本算法 | 第17-18页 |
| 2.1.2 递归神经网络拓扑结构 | 第18-20页 |
| 2.1.3 典型递归神经网络算法分析 | 第20-22页 |
| 2.2 神经网络中的近似计算研究 | 第22-24页 |
| 2.2.1 近似计算算法及其在神经网络中的应用 | 第22-23页 |
| 2.2.2 近似计算电路及其在神经网络中的应用 | 第23-24页 |
| 2.3 神经网络加速器中的自适应电压调节技术研究 | 第24-27页 |
| 2.3.1 电路功耗、时序与电压波动 | 第24-26页 |
| 2.3.2 自适应电压调节技术及其在神经网络加速器中的应用 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于剪枝和混合量化的RNN参数压缩及调度方案设计 | 第29-43页 |
| 3.1 RNN算法优化目标 | 第29-30页 |
| 3.2 基于剪枝和混合量化的RNN网络参数压缩方案 | 第30-34页 |
| 3.2.1 网络参数分布分析 | 第30-31页 |
| 3.2.2 基于网络剪枝的参数压缩方法 | 第31-32页 |
| 3.2.3 基于混合量化的参数压缩方法 | 第32-34页 |
| 3.2.4 网络参数压缩实验结果分析 | 第34页 |
| 3.3 基于网络压缩的RNN参数存储及调度方案设计 | 第34-42页 |
| 3.3.1 权值参数计算模式及访存特性对比分析 | 第35-38页 |
| 3.3.2 基于列压缩的权值参数存储及调度方案设计 | 第38-40页 |
| 3.3.3 基于列压缩的权值参数存储及调度方案优化 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于自适应电压-精度缩放的RNN加速器硬件设计 | 第43-55页 |
| 4.1 基于自适应精度近似计算的RNN加速器阵列路由结构设计 | 第43-50页 |
| 4.1.1 自适应精度近似乘法计算电路设计 | 第43-45页 |
| 4.1.2 阵列结构设计 | 第45-47页 |
| 4.1.3 路由结构设计 | 第47-50页 |
| 4.2 RNN加速器阵列自适应电压-精度缩放方法 | 第50-52页 |
| 4.2.1 电压变化对电路功耗和延时的影响 | 第50页 |
| 4.2.2 基于混合量化的计算阵列自适应电压-精度缩放方法 | 第50-52页 |
| 4.3 RNN加速器阵列自适应电压产生电路设计 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 实验及仿真结果分析 | 第55-63页 |
| 5.1 RNN加速器仿真平台搭建 | 第55-56页 |
| 5.2 RNN加速器功能验证 | 第56-58页 |
| 5.2.1 模型验证 | 第56-57页 |
| 5.2.2 RTL级仿真验证 | 第57-58页 |
| 5.3 RNN加速器性能功耗评估 | 第58-61页 |
| 5.3.1 近似乘法计算电路功耗评估 | 第58-59页 |
| 5.3.2 加速器阵列性能功耗评估 | 第59-61页 |
| 5.3.3 加速器整体性能功耗评估 | 第61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简介 | 第71页 |
