来源：期刊VIP网 时间：
作者：高强;邵春霖;李京润;沈宗凯;
单位：红云红河烟草(集团)有限责任公司昆明卷烟厂;昆明理工大学信息工程与自动化学院;
摘要：图卷积神经网络（GCN）算法在处理图结构数据任务中取得了突破性的成功，然而训练图卷积神经网络需要大量的内存空间及多次的随机内存访问等，这限制该算法的进一步部署应用。现有图卷积神经网络的部署及加速方案大多基于VitisHLS工具，该工具利用C/C++进行开发，几乎没有采用硬件描述语言的方案，存在软硬件加速不彻底问题。针对上述问题，设计一种面向GCN的FPGA部署及加速架构。该架构主要由计算模块和存储模块构成，两者都是利用硬件描述语言实现。计算模块主要是用硬件描述语言来实现图卷积神经网络的关键算法，即将图卷积神经网络的关键算法映射到现场可编程门阵列中以实现硬件加速；缓存模块主要是调用ROM IP核以及定义二维寄存器组，对输入节点特征、归一化后的邻接矩阵、各个层的量化参数以及中间变量进行存储，从而提高GCN算法的并行度。首先在Pycharm平台上进行模型训练并提取参数进行量化，然后在Vivado平台上对图卷积神经网络进行设计和仿真测试，对比CPU、GPU的运算性能。实验结果表明，所设计的图卷积神经网络加速架构提升了模型的推理速度。
关键词：图卷积神经网络;;FPGA加速器;;硬件描述语言;;计算模块;;存储模块;;参数量化
