お知らせ 2023年度・2024年度 学生員 会費割引キャンペーン実施中です
お知らせ 技術研究報告と和文論文誌Cの同時投稿施策(掲載料1割引き)について
お知らせ 電子情報通信学会における研究会開催について
お知らせ NEW 参加費の返金について
電子情報通信学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
[ログイン]
技報アーカイブ
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2020-09-11 14:55
Randomly Wired Convolutional Neural Networkを対象とするCNN推論アクセラレータのFPGA実装について
倉持亮佑中原啓貴東工大RECONF2020-27
抄録 (和) 畳み込みニューラルネットワーク (CNN) は組み込みシステムやデータセンターなどで広く使用されてお り,画像を対象とするタスクにおいて非常に高い認識精度を得ることができている. 特にCNN をデータセンターで運用する際には,高認識精度・短レイテンシが重要となる. 本研究ではランダムグラフを基にCNNモデルを構築する, Randomly Wired Convolutional Neural Network (RWCNN) を対象とした推論アクセラレータを提案する. RWCNN は並列処理可能な層数が多いため,複数の計算ユニットを並列に使用することによりレイテンシを短くすることが可能となる. 複数の計算ユニットが同時に複数の特徴マップメモリにアクセスする必要があるため,特徴マップメモリ としてHBM2を使用する. HBM チャネルと各計算ユニットをクロスバースイッチを用いて配線することにより,効率的に入力特徴マップの選択を行う. RWCNN の各層を複数の計算ユニットに割り当てるスケジューリング問題を考え,割り当てられたスケジュールを基に干渉グラフの彩色を行い,各層の特徴マップを各HBMチャネルへと割り当てる. これにより,HBM チャネルへのアクセスを各計算ユニットで並列に行うことができるようになり,高速にRWCNNの処理を行うことができるようになる. 提案アクセラレータを Alveo U50 FPGA 上に実装し,RWCNN と 同等な計算コストである ResNet-50 を対象とする推論アクセラレータとの比較を行う. ImageNet画像分類タスクにおいて,従来のアクセラレータよりもレイテンシを約43%短くすることができた. 
(英) Convolutional neural networks(CNNs) are widely used for image tasks in both embedded systems and data centers. Particularly, when deploying CNNs in a data center, achieving high accuracy and low latency are important for various tasks. We propose an FPGA-based inference accelerator for randomly wired convolutional neural networks(RWCNNs), whose layer structures are based on random graph models.
Because RWCNN can be processed in parallel, we can reduce the latency by concurrently using multiple computational units. We use the HBM2 to store feature maps, as multiple computational units need to simultaneously access different feature maps. In addition, the HBM channels and computational units are connected using a crossbar switch to efficiently transfer the feature maps. We allocate each layer to computational units using a simple heuristic algorithm. In addition, we allocate each layer to the HBM channels by coloring a conflict graph built based on the allocated schedule. This makes it possible for the computational units to access HBM channels in parallel. We implemented our accelerator on an Alveo U50 FPGA and compared it with a FPGA-based inference accelerator that targets ResNet-50. In the ImageNet image classification task, we could process an image in 16.6 ms, which is 43% lower than that for a conventional accelerator.
キーワード (和) Deep Learning / CNN / FPGA / RWCNN / / / /  
(英) Deep Learning / CNN / FPGA / RWCNN / / / /  
文献情報 信学技報, vol. 120, no. 168, RECONF2020-27, pp. 48-53, 2020年9月.
資料番号 RECONF2020-27 
発行日 2020-09-03 (RECONF) 
ISSN Online edition: ISSN 2432-6380
著作権に
ついて
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034)
査読に
ついて
本技術報告は査読を経ていない技術報告であり,推敲を加えられていずれかの場に発表されることがあります.
PDFダウンロード RECONF2020-27

研究会情報
研究会 RECONF  
開催期間 2020-09-10 - 2020-09-11 
開催地(和) オンライン開催 
開催地(英) Online 
テーマ(和) リコンフィギャラブルシステム,一般 
テーマ(英) Reconfigurable system, etc. 
講演論文情報の詳細
申込み研究会 RECONF 
会議コード 2020-09-RECONF 
本文の言語 日本語 
タイトル(和) Randomly Wired Convolutional Neural Networkを対象とするCNN推論アクセラレータのFPGA実装について 
サブタイトル(和)  
タイトル(英) An FPGA-Based Low-Latency Accelerator for Randomly Wired Convolutional Neural Networks 
サブタイトル(英)  
キーワード(1)(和/英) Deep Learning / Deep Learning  
キーワード(2)(和/英) CNN / CNN  
キーワード(3)(和/英) FPGA / FPGA  
キーワード(4)(和/英) RWCNN / RWCNN  
キーワード(5)(和/英) /  
キーワード(6)(和/英) /  
キーワード(7)(和/英) /  
キーワード(8)(和/英) /  
第1著者 氏名(和/英/ヨミ) 倉持 亮佑 / Ryosuke Kuramochi / クラモチ リョウスケ
第1著者 所属(和/英) 東京工業大学 (略称: 東工大)
Tokyo Institute of Technology (略称: Tokyo Tech)
第2著者 氏名(和/英/ヨミ) 中原 啓貴 / Hiroki Nakahara / ナカハラ ヒロキ
第2著者 所属(和/英) 東京工業大学 (略称: 東工大)
Tokyo Institute of Technology (略称: Tokyo Tech)
第3著者 氏名(和/英/ヨミ) / /
第3著者 所属(和/英) (略称: )
(略称: )
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者 第1著者 
発表日時 2020-09-11 14:55:00 
発表時間 25分 
申込先研究会 RECONF 
資料番号 RECONF2020-27 
巻番号(vol) vol.120 
号番号(no) no.168 
ページ範囲 pp.48-53 
ページ数
発行日 2020-09-03 (RECONF) 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会