针对卷积神经网络（CNN）中卷积核的多样性导致加速器难以实现高效计算的问题

提出了一种可重构卷积神经网络加速器实现方法。加速器包括18个处理引擎（PE）

每个PE包含9个乘累加单元

3个PE构建一个5×5卷积核实现卷积核重构

调度器通过控制每层所需的卷积核大小和通道数分配PE实现卷积处理。加速器支持常见的3×3

5×5卷积核的网络模型

加速器采用数据复用以及并行处理的设计方法

有效降低了存储访问次数

提高了加速器的计算高效性。通过对AlexNet进行验证

实验表明:使用XC7Z045平台在150 MHz的工作频率下

能效比可以达到16.89 GOP/s/W

相比于当前典型设计

能效比分别有410%

270%

78%

19%的提升。