| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本课题主要工作 | 第12页 |
| 1.4 本文的结构安排 | 第12-14页 |
| 第2章 深度学习理论基础 | 第14-21页 |
| 2.1 从浅层学习到深度学习 | 第14-15页 |
| 2.2 卷积神经网络（CNN） | 第15-18页 |
| 2.2.1 卷积层 | 第15-18页 |
| 2.2.2 池化层 | 第18页 |
| 2.3 图像分类测试集：ImageNet | 第18页 |
| 2.4 基于C的开源CNN框架：Darknet | 第18-21页 |
| 第3章 卷积神经网络的硬件架构 | 第21-34页 |
| 3.1 基于Zynq的卷积网络实现 | 第21-24页 |
| 3.1.1 Zynq简介 | 第21-22页 |
| 3.1.2 基于Zynq的设计流程 | 第22-24页 |
| 3.2 卷积神经网络加速器的软硬件划分 | 第24-27页 |
| 3.3 卷积层并行性分析 | 第27-32页 |
| 3.4 卷积神经网络加速器系统架构 | 第32-34页 |
| 第4章 卷积神经网络加速器的实现 | 第34-60页 |
| 4.1 卷积神经网络的定点化 | 第34-36页 |
| 4.2 输入数据缓存模块 | 第36-48页 |
| 4.2.1 Datamover命令状态机 | 第38-43页 |
| 4.2.2 输入数据缓冲FIFO写控制 | 第43-45页 |
| 4.2.3 输入数据缓冲FIFO读控制 | 第45-48页 |
| 4.3 卷积计算单元 | 第48-55页 |
| 4.3.1 窗口生成器 | 第49-53页 |
| 4.3.2 卷积模块(Processing Element) | 第53-55页 |
| 4.4 输出数据缓存模块 | 第55-59页 |
| 4.5 嵌入式系统软件环境 | 第59-60页 |
| 第5章 仿真与测试结果 | 第60-65页 |
| 5.1 资源消耗分析 | 第60-61页 |
| 5.2 板上测试结果与分析 | 第61-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69页 |