基于FPGA的人工神經網絡實現方法的研究
加入技術交流群
(3)隨機比特流方法
隨機比特流(Stochastic Bit Strearns)的方法是使用串行隨機的方法實現一些運算操作，目的是為了節約資源和充分利用神經網絡的實時性。隨機算法的提出源于它的簡易性，基本原理即首先將所有的輸入轉換成二進制隨機比特流，就是任意化；然后，由數字電路組成的隨機算法實現取代正常的算法；最后，隨機比特流轉回到正常的數值(文獻[10]中有詳細總結)。隨機算法提供一種方法，用簡單的硬件實現復雜的計算，同時又不失靈活性，而且隨機實現又與現代VLSI設計和生產技術兼容。
FPNA實現方法：
憑借著簡化的拓撲結構和獨特的數據交換流圖，FPNA(Field Programmable Neural Arrays)成功地解決了以簡單的硬件拓撲結構有效地實現復雜的神經架構問題，是一種特別適合FPGA直接實現的神經計算范例。FPNA基于一種類似FPGA的結構：它包含一系列可以自由配置的資源，這些神經資源被定義用來實現標準神經元的計算功能，但是它們是一種自主的方式，這樣通過有限的連接可以創造出許多虛擬的連線。利用這種新的神經計算理念，一個標準的但結構復雜的神經網絡可以由一個簡化的神經網絡替代(文獻[11]給出了詳細的數學表示和說明)。
為了有個直觀的理解，圖3(a)表示一個簡單的MLP結構；圖3(b)說明通過節點間的直接連接建立虛擬連接。本文引用地址：http://www.j9360.com/article/191889.htm
文獻[11]中的例證表明FPNA計算范例確實允許一系列給定的神經資源代替具有不同架構的標準神經網絡。然而，從圖4中可能并非如此，MLP架構并沒有得到簡化，原因在于如此簡單的MLP完全沒有必要，也不可能再簡化。文獻[12]描述了大型神經網絡得到明顯簡化的實例。需要注意的是，FPNA是一個適應神經計算的硬件框架，而不是一種處理簡化神經計算的實現方法(Field Programmable Neural Network，FPNN)。要設計一個FPNA，首先要選擇一個針對應用的合適的標準神經架構，然后決定一個既適合于實現又在功能上等價于所選擇神經網絡的可配置FPNA，FPNA獨特的計算方案在于在復雜神經網絡和可用的硬件資源之間創造了一座橋梁，它適用于許多實現選擇；最后，得到的FP-NA直接映射到硬件設備上，這將得益于完整的模塊式實現，即對于每個神經資源，預先給定可配置模塊，然后依照。FPNA硬件友好的架構進行組合。
3 基于FPGA的神經網絡的性能評估及局限性
對于FPGA實現的ANN，最普遍的性能評估方法是每秒神經元乘累加的次數(Connections-Per-Sec-ond，CPS)和即每秒權值更新的次數(Connections-Updates-Per-Second，CPUS)。但是CPS和CPUS并不是適于所有的網絡，如RBF徑向基網絡，另外，更大的CPS和CPUS值并不一定意味著更好的性能。因此，最好的性能測量方法是實際執行時間，但是仍有些問題要討論。FPGA實現神經網絡存在的一些缺點(相對于計算機軟件而言)：
(1)FPGA上實現的神經網絡大多數是計算結構，而不是認知結構(雖然現在有些人試圖在FPGA上實現BP算法。但是整個的結構和時序控制變得很復雜，并且無法達到計算機軟件那樣的計算精度)；
(2)在FPGA上實現的神經網絡通用性差。目前FPGA的使用者大多數都是在RTL級(寄存器傳輸級)編寫VHDL／Verilog HDL實現數字系統，而正在興起的Handel-CSystemC，可以使硬件編程者站在算法級角度，可能對以后的基于FPGA的神經網絡的性能有所改善。
4 基于FPGA實現神經網絡的發展方向
(1)一種基于REMAP-β實現神經網絡汁算機的方法。REMAP-β可重構架構基于FPGA技術，RE-MAP-β并行計算機應用在嵌入式實時系統中，以有效提高ANN算法實現的效率，目前它的進一步發展RE-MAP-r正在探討中。
(2)另一種基于FPGA實現神經網絡的發展方向――系統C語言，直接在可編程硬件平臺支持C／C++，使得編程更加容易。但是這個轉換并不容易，因為：FPGA不是程序，而是電路。
5 結 語
詳細總結了FPGA實現神經網絡的方法及相關問題，這里要注意，基于FPGA實現神經網絡，并不是要與基于計算機軟件實現一比高低，相反，在很多情況下，采用計算機軟件測試神經網絡的收斂情況，計算出收斂時的權值，然后通過數據口線與FPGA模塊通信，把權值交給FPGA中的神經網絡，使用FPGA完成現實的工作。直到現在，軟件方法仍然是實現神經網絡的首選。另外，對于硬件設計者(指利用FPGA或者全定制、半定制ASIC實現設計)而言，mask ASICs提供首選的方法以得到大規模、快速和完全的神經網絡。現在它已經開發出了所有的新型可編程器件的嵌入式資源，以得到可以實時訓練的更有用的神經網絡。
評論