1、伴隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)呈爆炸性增長。如何有效地組織海量數(shù)據(jù)并從中提取有價值信息成為一個難題。深度學(xué)習(xí)模型是一個多層的神經(jīng)網(wǎng)絡(luò)，模擬了大腦皮層的層次學(xué)習(xí)結(jié)構(gòu)，能夠?qū)Υ髷?shù)據(jù)進行數(shù)據(jù)挖掘、特征提取和分類等操作，已成為機器學(xué)習(xí)領(lǐng)域最為炙手可熱的模型之一。
　　深度學(xué)習(xí)算法是典型的計算密集型應(yīng)用，速度瓶頸和對大規(guī)模計算平臺的依賴也日益成為深度學(xué)習(xí)算法實用和推廣的障礙，因此，深度學(xué)習(xí)算法加速技術(shù)的研究逐漸成為熱點。利用FPGA平臺和可重

2、構(gòu)技術(shù)，對深度學(xué)習(xí)算法進行硬化實現(xiàn)，是實現(xiàn)深度學(xué)習(xí)算法加速處理的有效途徑。目前，采用FPGA實現(xiàn)的深度學(xué)習(xí)算法加速器研究剛剛起步，還局限在對特定算法的定制實現(xiàn)和加速。本文針對深度學(xué)習(xí)算法的可重構(gòu)加速器技術(shù)進行研究，期望能夠為深度學(xué)習(xí)算法提供一個通用的硬件加速平臺。
　　本文首先對各類深度學(xué)習(xí)算法的算法流程、執(zhí)行特征、操作要素等方面進行分析，總結(jié)和歸納深度學(xué)習(xí)算法中典型的運算模板?；诜治?，提出了標(biāo)量處理器與向量處理器相結(jié)合的協(xié)處理

3、器架構(gòu)，命名為 SVP-DL（ Super-Vector co-Processor for Deep Learning algorithms），并設(shè)計了專門的指令集系統(tǒng)，用來編寫應(yīng)用程序在SVP-DL上運行。接下來文章詳細(xì)介紹了在SVP-DL處理器上映射深度學(xué)習(xí)算法的方法，并針對算法映射自動化進行了探討。我們將SVP-DL處理器布局在Xilinx XC7VX485T芯片上，并針對DBN算法的運行結(jié)果與軟件運行結(jié)果進行了對比，實驗結(jié)果表明