学习论文：Eyeriss v1

Eyeriss: An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks

Eyeriss：适用于深度卷积神经网络的节能型可重构加速器

论文地址：https://people.csail.mit.edu/emer/papers/2017.01.jssc.eyeriss_design.pdf

参考

https://blog.csdn.net/sinat_33705291/article/details/106489155?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160854486416780299057353%252522%25252C%252522scm%252522%25253A%25252220140713.130102334..%252522%25257D&request_id=160854486416780299057353&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-1-106489155.nonecase&utm_term=eyeriss

https://blog.csdn.net/sinat_33705291/article/details/106489155?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160854486416780299057353%252522%25252C%252522scm%252522%25253A%25252220140713.130102334..%252522%25257D&request_id=160854486416780299057353&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-1-106489155.nonecase&utm_term=eyeriss

 

CNN计算需要大量数据，这会导致从芯片上和芯片外转移大量数据，这比计算耗能更多。

因此，将任何CNN形状的数据移动能源成本降至最低是高吞吐量和能源效率的关键。

Eyeriss通过在具有168个处理元素的空间架构上使用建议的处理数据流（称为行固定（RS））来实现这些目标。

 

Eyeriss的主要特点如下。

1） 一种空间体系结构，使用168个处理元素（PE）的数组来创建一个四级内存层次结构。数据移动可以利用低成本级别，

如PE暂存板（spad）和PE间通信，以最小化对高成本级别的数据访问，包括大的片上全局缓冲区（GLB）和片外DRAM。

主要包括4级存储：DRAM；global buffer；PE间通信用的缓存fifo；PE内部的寄存器堆。

2） 一种CNN数据流，称为Row stational（RS），它重新配置空间结构以映射给定CNN形状的计算并优化以获得最佳能效。

3） 一种片上网络（NoC）体系结构，使用多播和点对点单周期数据传输来支持RS数据流。

4） 行程压缩（RLC）和PE数据选通，利用CNN中零数据的统计信息进一步提高能源效率。

 

 

 

Eyeriss芯片主要集中在两个方面来提高能源效率：

1）减少数据移动  2） 利用数据统计。

 

节能数据流：行固定