买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种面向FPGA的CNN定制网络量化加速方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117151178B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311200741.X，技术领域涉及：G06N3/063；该发明授权一种面向FPGA的CNN定制网络量化加速方法是由谢显中;易铃杰设计研发完成，并于2023-09-18向国家知识产权局提交的专利申请。

本一种面向FPGA的CNN定制网络量化加速方法在说明书摘要公布了：本发明为一种面向FPGA的CNN定制网络量化加速方法，属于神经网络领域。该方法包括：对轻量级神经网络进行构建与量化感知训练，并在训练的前向传播时利用改进的参数化裁剪激活PACT对激活值进行预处理；然后利用卷积连续执行方法CEOCO对网络进行重训练，重训练完成之后，对网络进行各种融合操作。最后将融合后的网络部署到ARM+FPGA异构芯片XilinxZynqUltrascale+MPSoC3EG上进行量化推理加速；本发明在神经网络精度损失可接收范围内的前提下，加速了神经网络在边缘智慧终端的推理速度；比起现有技术，具有更好的网络量化加速效果。

本发明授权一种面向FPGA的CNN定制网络量化加速方法在权利要求书中公布了：1.一种面向FPGA的CNN定制网络量化加速方法，其特征在于：该方法包括以下步骤： S1：构建神经网络，并训练全精度神经网络模型； S2：引入改进后的PACT方法，并使用感知量化方法对模型进行量化，具体包括：对PACT方法进行分析和改进，将PACT方法对激活值小于0的数值进行改进处理；对神经网络进行量化感知训练，在前向传播时利用量化器对激活值先使用PACT预处理，再进行逐层的对称量化与反量化，对权重值则采用更细粒的逐通道的对称量化与反量化；通过量化和反量化数值来引入量化数值所带来的误差，在进行卷积计算的时候，使用的是反量化的浮点数值，学习量化带来的误差；在进行反向传播时，由于使用了取整函数round-to-nearest，这会导致梯度计算全部为0，利用直通估计器STE来解决这个问题，即直接跳过量化计算公式，将数值传到上一层进行计算； 改进的PACT方法的公式为： 其中，x为输入激活值，y为利用PACT函数截断后的值，α与β为两个可训练的参数，设置α的初始值为20，设置β的初始值为3，在神经网络量化训练时，通过改变α与β的值将激活值进行截断操作，去除异常值从而使得待映射数值紧凑； 对权重采用逐通道对称量化的公式为： 其中，Wi为卷积层的第i个卷积核的权重，为通过Q·量化和反量化后的权重值，为该权重的缩放因子，由于是对称量化到8bit，所以偏置z恒等于0，且使用截断函数clamp将量化后的数值截断到-127，127，round为round-to-nearst函数，即取整函数，abs和max分别为张量取绝对值和最大值； 对特征图激活值采用逐层对称量化的公式为： 其中，X为输入的浮点激活值，为量化和反量化后的值；不同的是，对激活值的缩放因子的计算公式，通过移动平均绝对最大值的采样策略采样数值MSE计算缩放因子： moving_avg_max＝moving_avg_max*β+maxabsX*1-β 其中moving_avg_max为平均值的绝对最大值，β为moving_avg_max的动量，初始值为0.9，β会根据训练从而改变，采用移动平均绝对值最大值的采样策略，减少模型对噪声和冗余信息的敏感度，提高模型的泛化能力； S3：根据网络模型结构的不同，采用卷积连续执行方法CEOCO将特定的非卷积算子进行量化，得到量化模型后进行融合操作； S4：部署轻量级CNNs到目标硬件FPGA上推理加速验证。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。