1、卷積神經網絡（Convolutional Neural Network，CNN）是一種先進的深度學習架構，被廣泛地應用于圖像識別、語音識別、自然語言識別等各個領域。卷積神經網絡具有數(shù)據(jù)密集和計算密集的特點，傳統(tǒng)的CPU平臺無法充分挖掘CNN的并行性，運算耗時長，且實現(xiàn)代價較高。而專用CNN芯片具有速度和成本上的優(yōu)勢，但可配置性差，不能靈活地適應CNN不同層特征圖的數(shù)量變化。
　　通過分析CNN算法特點及問題，在傳統(tǒng)通用ZION處理

2、器的基礎上，通過設計專用指令并改進架構，設計了一種可以兼顧CNN并行運算能力及靈活性的新型的卷積神經網絡處理器。主要研究內容如下：
　　1.設計專用指令。首先，對CNN算法進行操作類型統(tǒng)計和分析，發(fā)現(xiàn)卷積運算，下采樣，激活函數(shù)等操作類型出現(xiàn)頻率較高。針對此特點，設計了相應的運算功能指令，用一條功能指令完成原本需要多條指令實現(xiàn)的運算過程。其次，設計向量訪存指令，實現(xiàn)一次讀寫多條數(shù)據(jù)，以減少訪存指令數(shù)量，提高訪存效率。最后，基于RIS

3、C-V32指令集及其擴展指令的規(guī)則，完成CNN專用指令系統(tǒng)的設計。
　　2.處理器架構設計。在本研究組設L十的通用七級流水結構ZION處理器的基礎上設計了支持CNN專用指令的流水功能部件。針對卷積運算中同一卷積模板在輸入特征圖不同位置做卷積時的數(shù)據(jù)復用特點，設計復用結構，從而減少特征圖數(shù)據(jù)讀取次數(shù)，降低訪存需求。此外，為減小訪存延遲對并行運算的影響，采用雙Buffer模式分時緩存不同特征圖的數(shù)據(jù)，減少運算單元空置時間，提高并行效率