喜欢3次
我们硬件加速器的模型为Lenet-5的变型，网络粗略分共有7层，细分共有13层。包括卷积，最大池化层，激活层，扁平层，全连接层。下面是各层作用介绍：
卷积层：提取特征。“不全连接，参数共享”的特点大大降低了网络参数，保证了网络的稀疏性，防止过拟合。之所以可以“参数共享”，是因为样本存在局部相关的特性。
池化层：有MaxPool和AveragePool等。其中MaxPool应用广泛。因为经过MaxPool可以减小卷积核的尺寸，同时又可以保留相应特征，所以主要用来降维。
全连接层：在全连接的过程中丢失位置信息，降低了学习过程中的参数敏感度。
RELU激活函数：该函数的提出很大程度的解决了BP算法在优化深层神经网络时的梯度耗散问题。当x>0 时，梯度恒为1，无梯度耗散问题，收敛快；当x<0 时，该层的输出为0。
CNN设计流程：
1、构建缓冲区
2、将卷积操作展开成乘加操作。
3、层层复用。
design file设计图
仿真测试结果
|
|
|
|
|
|
||
