全文总字数：2381字
1. 毕业设计（论文）的内容和要求
近些年来，深度学习技术快速发展，在语音处理、计算机视觉、自然语言处理等领域取得了重大成就，随着图像处理、语言处理等精度要求的提高，网络层数爆炸性的增加，随着卷积和池化操作，网络越高层，图片数量越多．计算量增大，便携式嵌入式设备的计算能力难以应付如此庞大的计算量，如今有着诸多加速技术如特征图共享、级联检测网络压缩和量化等，但都是属于算法层面的优化加速，依旧有较大延时，利用硬件进行神经网络加速已经成为当下的研究热点。
本设计是基于FPGA的卷积神经网络算法的研究与实现。
本设计能通过FPGA的可编程逻辑逻辑门阵列构建CNN的加速系统，利用FPGA的并行处理、流水线加速、触发器存储和BRAM存储等方法实现硬件加速功能，硬件加速部分包括输入层、卷积层和池化层，全连接层部署在处理器端。
2. 实验内容和要求
1、选择合适网络架构，确保规模大小合适，可以进行硬件部署；2、训练MNISIT数据集，对模型参数进行优化并比较不同优化方法的差异，选择最优的方法；3、在FPGA上设计卷积神经网络的专用加速器，进行手写数字的推理加速
3. 参考文献
[1] 刘金利, 张培玲. 改进LeNet-5网络在图像分类中的应用 [J]. 计算机工程与应用, 2019, 055(015): 32-7,95.
[2] 张力超, 马蓉, 张垚鑫. 改进的LeNet-5模型在苹果图像识别中的应用 [J]. 计算机工程与设计, 2018, 39(11): 3570-5.
[3] 孙孝辉, 宋庆增, 金光浩. 基于ARM FPGA平台的二值神经网络加速方法研究 [J]. 计算机应用研究, 2020, v.37;No.341(03): 145-9.
4. 毕业设计（论文）计划
2020-11-10～2020-12-31 选题、搜集资料 2021-01-01～2021-02-28 整理资料、确定方案完成开题报告 2021-03-01～2021-04-10 总体方案设计及模型设计 开题报告完成翻译2021-04-11～2021-04-22 系统设计与训练 2021-04-23～ 2021-05-05 数据测试与系统实现 中期检查2020-05-06～2021-05-20 整个系统调试，撰写论文 初稿在5.20完成2021-05-21～2021-06-03 撰写论文并修改 2021-06-04～2021-06-11 准备答辩PPT、答辩
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
