劉維華

(中共陜西省委黨校陜西行政學(xué)院 文化與科技教研部， 陜西 西安 710000)

0 引言

視覺神經(jīng)網(wǎng)絡(luò)算法的基本原理是以收集圖像數(shù)據(jù)為基礎(chǔ),對外界圖像進行處理，并通過GPRS無線系統(tǒng)將圖像的信息單元以沖脈電流方式對神經(jīng)網(wǎng)絡(luò)組織進行適當(dāng)?shù)母泄俳佑|，起到視覺神經(jīng)興奮的作用，在一定的電流刺激過程中可以使人的視覺感官對眼前的事物有基本的識別能力[1-2]。盡管國內(nèi)外研究學(xué)者在視覺網(wǎng)絡(luò)辨別中取了很多的研究成果，但是受到信號交互、電極硬件設(shè)備和結(jié)構(gòu)部件通訊等技術(shù)因素制約，可以實現(xiàn)視覺感官刺激的電流模塊非常少。本研究以DretionNet模型和ReaqiueNet模型為基礎(chǔ)，通過神經(jīng)網(wǎng)絡(luò)算法進行優(yōu)化，得到基于FPGA的高效算法的神經(jīng)網(wǎng)絡(luò)模型，對其多條分支的組織結(jié)構(gòu)進行優(yōu)化[3-5]。根據(jù)DretionNet模型和ReaqiueNet模型的評價分析，得到兩種模型針對神經(jīng)網(wǎng)絡(luò)算法的改進點，并以設(shè)備性能提升為依據(jù)，結(jié)合神經(jīng)網(wǎng)絡(luò)適應(yīng)的優(yōu)化設(shè)備，對原有的神經(jīng)網(wǎng)絡(luò)模型進行改進，根據(jù)優(yōu)化后的神經(jīng)網(wǎng)路模型和FPGA為基礎(chǔ)的高速網(wǎng)絡(luò)算法，提出多分支的深度卷積算法，根據(jù)設(shè)備中的卷積算法,運用電流脈沖和數(shù)據(jù)采集系統(tǒng)，更好地提升算法效率。

1 神經(jīng)網(wǎng)絡(luò)模型

1.1 DretionNet模型

DretionNet模型相對于其他模型有更好地兼容性和可塑性，由于DretionNet模型是根據(jù)原有模型的基礎(chǔ)改良而成，因此其參數(shù)和結(jié)構(gòu)是可以結(jié)合實際情況進行改變[6]。針對模型的不同敏感參數(shù)，結(jié)合參數(shù)的變化程度可以隨時調(diào)整，這樣類似的改變可以有效控制研究模型被修改，導(dǎo)致因參數(shù)變化引起模型精準(zhǔn)度降低的結(jié)果，此類模型特征改變在視覺神經(jīng)網(wǎng)絡(luò)算法中起到非常重要的作用[7-8]。在實際工作過程中，由于工程應(yīng)用需要滿足圖像清晰度、像素種類識別和工程中的精準(zhǔn)度要求，對原有的視覺神經(jīng)網(wǎng)絡(luò)按照劃定的規(guī)格進行校對。DretionNet模型不僅滿足模型修改過程中的兼容性，而且可以使開發(fā)者獲得視覺神經(jīng)網(wǎng)絡(luò)的對應(yīng)模型，DretionNet模型是可以改變的，提高了模型的構(gòu)建效率和開發(fā)模式，根據(jù)DretionNet模型原始參數(shù)標(biāo)準(zhǔn)，模型參數(shù)結(jié)構(gòu),如表1所示。

1.2 ReaqiueNet模型

ReaqiueNet模型的主要架構(gòu)是以視覺神經(jīng)網(wǎng)絡(luò)局部算法的最優(yōu)解決方式進行卷積網(wǎng)絡(luò)的模型結(jié)構(gòu)實現(xiàn)，如圖1所示。

表1 DretionNet模型參數(shù)

圖1 ReaqiueNet結(jié)構(gòu)

根據(jù)ReaqiueNet模型的疊加效果，其結(jié)構(gòu)模型在輸出結(jié)果方面一定會發(fā)生變化，在結(jié)構(gòu)優(yōu)化方面，模型的最高層會捕捉其形態(tài)特征，但模型的空間密集度會降低，這意味著指標(biāo)層會轉(zhuǎn)移到較高層次，視覺神經(jīng)系統(tǒng)中的其他層次結(jié)構(gòu)隨之增加[9-10]。ReaqiueNet模型在Cliet V1、Cliet V2結(jié)構(gòu)中可以繼續(xù)使用等比例層次的卷積模式，盡管在模型構(gòu)建過程中可以為結(jié)構(gòu)層次進行替換，但ReaqiueNet模型在其他多分支結(jié)構(gòu)數(shù)量中的比例沒有發(fā)生變化，仍然可以保持已形成的模型數(shù)量。

2 基于FPGA視覺神經(jīng)網(wǎng)絡(luò)

2.1 網(wǎng)絡(luò)模型多層次分支

DretionNet模型和ReaqiueNet模型在視覺神經(jīng)網(wǎng)絡(luò)計算過程中可以降低模型參數(shù)的使用量和運算過程，緩解了建模壓力，從而有效提高了FPGA在大數(shù)據(jù)平臺的計算能力。但是此類算法在模型構(gòu)建的過程中顯示出不完全的適應(yīng)性，導(dǎo)致網(wǎng)絡(luò)模型在工程實際過程中運算效率被降低，實驗結(jié)果因此會受到影響，無法滿足在實際應(yīng)用中的計算步驟。結(jié)合中外學(xué)者的研究成果，以基礎(chǔ)模型構(gòu)建為基礎(chǔ)，總結(jié)在不同網(wǎng)絡(luò)模型中的計算缺陷，研究基于FPGA神經(jīng)網(wǎng)絡(luò)的多分支同步算法。

由于構(gòu)建的參數(shù)模型對計算機硬件平臺的運算條件具有很高的要求，根據(jù)DretionNet模型和ReaqiueNet模型的構(gòu)建機理，以改善計算機硬件平臺為出發(fā)點，結(jié)合模型多分支結(jié)構(gòu)分布特點，通過對DretionNet模型和ReaqiueNet模型多層次分支結(jié)構(gòu)的數(shù)據(jù)進行分布統(tǒng)計，并根據(jù)數(shù)據(jù)統(tǒng)計結(jié)果重新分流調(diào)整，確保計算精度的前提下，減緩各個分支計算路徑的延遲效果。在分散的結(jié)構(gòu)模型中，通過減少卷積模型數(shù)據(jù)通道的輸入量，降低后期模型構(gòu)建過程中運算量激增的問題，可以較好地提升計算機的硬件平臺的運算效率，并降低了數(shù)據(jù)導(dǎo)入時間。設(shè)定第i層的圖像輸入量為ci×si×zi，按照卷積模型從上至下的運算順序，則DretionNet模型和ReaqiueNet模型的參數(shù)計算量,如式(1)。

ei=ci×si×zi

(1)

若降低卷積模型的運算維度，提高數(shù)據(jù)模型的計算精度，則模型的計算參數(shù),如式(2)。

ei,s+ei,e=ci×m+m×si×zi

(2)

式中，模型參數(shù)m不應(yīng)大于公式中的其他單元參量，這樣可以保證構(gòu)建模型在運算過程中降低參數(shù)的數(shù)量，減少模型的體量，提升參數(shù)的運算效率。

2.2 基于FPGA結(jié)構(gòu)折疊

基于FPGA神經(jīng)網(wǎng)絡(luò)的深度卷積算法中，采用深度卷積分割法對構(gòu)建的模型進行分步計算，對照構(gòu)建的標(biāo)準(zhǔn)模型，將一個深度卷積算法分割為1×1，3×3，5×5……(2n-1)×(2n-1)單層次的模型分量，運用FPGA將獨立的卷積模量插入在每個模型的運算通道上，并按照單一的卷積模量進行重新輸出，一個合理的卷積模型不僅可以滿足數(shù)據(jù)的輸入，還可以在新的計算過程中輸出一組新的組合計算量。FPGA在深度卷積計算過程中可以把構(gòu)建的模型分割為兩個部分，其中一部分是將通道數(shù)據(jù)進行卷積量化，另一部分將量化的數(shù)據(jù)重新組合。

標(biāo)準(zhǔn)卷積模型參數(shù)量化并重新輸出的計算方式,如式(3)。

Gi,s,n=∑i,j,mKi,j,m,n×Fi+j-1

(3)

深度卷積在模型分割為單層次結(jié)構(gòu)進行重新輸出的計算,如式(4)。

P=Fn×M×N×K×Di×Dj

(4)

按照標(biāo)準(zhǔn)模型卷積項M×N×K產(chǎn)生的特征值G，并重新輸出產(chǎn)生GM×GN×GK的特征圖，圖像的特征寬度和高度滿足深度卷積的計算要求，M是數(shù)據(jù)輸入通道的容積量，N是數(shù)據(jù)輸出通道的容積量，D是特征圖像的尺寸大小。

3 結(jié)果分析

按照深度卷積模型的計算標(biāo)準(zhǔn)，基于FPGA的多分支同步算法的輸出結(jié)果呈現(xiàn)出對稱性且互不干擾，根據(jù)DretionNet模型和ReaqiueNet模型的層次結(jié)構(gòu)，從模型的頂端到底部呈現(xiàn)相互疊加的形式，模型后一層的容積量是前一層容積量的2倍。ReaqiueNet模型運用了常見的5×5結(jié)構(gòu)尺寸，并以兩個結(jié)構(gòu)單元為標(biāo)準(zhǔn)作為深度卷積模型的滑動窗口，構(gòu)建模型的過程中采用了結(jié)構(gòu)交叉方案，因此對模型邊緣的數(shù)值做歸一化處理不會影響結(jié)構(gòu)尺寸。改良后的結(jié)構(gòu)尺寸,如表2所示。

表2 改良的Inception體系結(jié)構(gòu)尺寸

在5條支路模型的輸入量為13×13×3，深度卷積核的數(shù)量為46組，以FPGA作為ReaqiueNet模型的優(yōu)化標(biāo)準(zhǔn)，運算結(jié)束后5條支路的輸出量為5×5×3，深度卷積核的數(shù)量保持不變。

DretionNet模型和ReaqiueNet模型的準(zhǔn)確率隨著修改次數(shù)的改變而變化，如圖2所示。

圖2 模型修改次數(shù)與準(zhǔn)確率比較

當(dāng)修改次數(shù)低于3，模型的準(zhǔn)確率會有較大幅度的提升，當(dāng)修改次數(shù)介于3和14之間時，模型準(zhǔn)確率在70%至75%之間震蕩，修改次數(shù)大于15時，模型準(zhǔn)確率增長速率較快，最高值可達90%。模型深度卷積次數(shù)由5×5轉(zhuǎn)換為5×1/1×5，不僅提高了運算速率的準(zhǔn)確性，而且可以保證模型結(jié)構(gòu)的完整性。

不同網(wǎng)絡(luò)模型的誤差率也存在差異，構(gòu)建模型不同誤差率的區(qū)別,如表3所示。

表3 不同模型數(shù)據(jù)準(zhǔn)確率比較

由表3中統(tǒng)計數(shù)據(jù)可以看出，DEP模型的誤差率為13.69%，MIN模型的誤差率為10.41%，改良前模型平均誤差率為11.78%，基于FPGA改良模型的誤差率僅為6.06%，模型誤差率顯著下降，但改良后的模型與深度卷積模型的結(jié)構(gòu)樣式保持不變。

4 總結(jié)

本研究針對DretionNet模型和ReaqiueNet模型的優(yōu)化改進，結(jié)合傳統(tǒng)模型的在一般硬件設(shè)備中存在的問題，提出以FPGA為基礎(chǔ)的高效網(wǎng)絡(luò)模型算法，運用FPGA將獨立的卷積模量插入在每個模型的運算通道上，并按照單一的卷積模量進行重新輸出，當(dāng)修改次數(shù)介于4與13之間時，模型的準(zhǔn)確率會有較大幅度的提升，以FPGA為硬件改良模型的誤差率僅為6.06%，顯著提高了神經(jīng)網(wǎng)絡(luò)算法的識別精準(zhǔn)度。