Résumé
La performance et l'efficacité du moteur d'inférence basé sur les CNN dépendent toujours de la complexité du contrôle du flux de données et des calculs. Au lieu de considérer un tableau de caractéristiques bidimensionnel (2D) pour le traitement, un tableau 3D de caractéristiques/poids améliorerait le mouvement du flux de données et le calcul de la mémoire. La taille optimale du tableau de caractéristiques 3D de 8 × 8 × 32 a été choisie en fonction du facteur de besoin en mémoire sur puce, de la réutilisation des données et de l'utilisation de l'unité de traitement élémentaire (PE). En utilisant le tableau de caractéristiques optimal de 8 × 8 × 32, sept combinaisons différentes de stratégies de planification du flux de données ont été analysées en variant les paramètres de ligne, de colonne et de profondeur sur le modèle de charge de travail en utilisant un environnement MATLAB. D'après l'analyse, la stratégie-V (parallélisme en profondeur et séquence en ligne/colonne) s'est avérée être la meilleure avec un tableau de processeurs de 4 × 8. Comparée à la stratégie de processeur de pointe, la stratégie-V atteint un taux de transfert de données (de hors puce à sur puce) et un besoin en mémoire sur puce de 3,3 fois (plus élevé) et 16 fois (moindre) avec un faible surcoût de processeur.