Dally团队除了对神经网络处理器进行硬件优化，也提出了很多算法上的优化。包括
作者：Angshuman Parashar，William J. Dally
摘要：
结构及优化分析
本文提高，CNN网络的稀疏性表现在两个方面：weight的稀疏性和activation的稀疏性。Weight的稀疏性可以通过一些剪枝算法来实现，比如韩松等人提出的剪枝算法。Activation的稀疏性来自于ReLU运算。
Weight和activation中的0不会对结果产生影响。因此通过利用CNN的稀疏性可以得到以下两个好处：1、压缩数据，通过使用压缩编码消除数据中的0，可以减小需要存储的数据量；2、消除不必要的计算，当weight和activation中有0时，我们既可以关闭计算单元来节省能耗，也可以直接跳过该运算，这样既节省能耗又节约时间。CNN硬件设计就需要充分利用这两个好处。
一个典型的CNN卷积层运算的数据结构和算法如上图所示，为一个7层嵌套的循环，其核心运算为滤波中的乘累加。硬件设计就是要对该循环进行并行加速。
首先假设数据的非稀疏的，先根据卷积运算的7层循环的特点来优化结构。由于weight和activation都很大，要进行分块处理。对于卷积运算，有两种循环方式：固定activation，循环weight；固定weight，循环activation。该文使用的前者，因此首先对weight进行分组，将k个通道（channel）的weight按照每组Kc个通道来分组，weight分组后的计算单元变为：
该文的结构SCNN由多个PE组成，因此对于以上的计算单元，又对activation进行分块。将WxH的activation平面，按照Wt × Ht的格子进行分割，每个PE计算的activation数量为C ×Wt × Ht。weight通过广播的方式同时广播到每个PE，每个PE完成各自部分的乘累加运算。
在activation分割成格子的时候，会出现data halo问题，即在未分割的时候，卷积是在整个WxH平面上进行的，分割之后，卷积在在小格子的边界附近就无法得到完整结果，因为有一部分数据是在另一个PE里面。解决的办法有两种：1、在每个PE的输入的activation比Wt × Ht略大一些，通过activation来解决data halo问题；2、在每个PE计算完的累加缓存做的比Kc × Wt × Ht大一些，多出来的部分存储着不完全的累加值，然后通过相邻计算单元间的通信再得到完整结果。两种方案资源消耗相当，该论文选择的是第二种方案。
然后在每个PE里面要计算通过一个二维的乘法矩阵单元计算，F个weight和I个activation依次相乘，得到FxI个结果。然后这些结果在一个累加单元里累加，得到最终的输出结果。
通过以上几步，得到并行化后的对于非稀疏CNN卷积的优化算法，伪代码如下。
将上述针对非稀疏CNN卷积的分析过渡到稀疏CNN，有两方面的修改。
1、首先，weight和activation都是稀疏表示的，因此输入输出的地址都要通过index计算。为了地址计算的方便，稀疏表示的weight和activation的压缩也是分组进行的，每一个Kc × R × S块中的weight压缩成一组，每一个Wt × Ht区域内的activation压缩成一组。在处理的时候，数据也是按这样的组进行的。
2、稀疏表示后，输出矩阵并不像上图一样是规整的Kc ×Wt × Ht矩阵，也是稀疏的（有些地方没有0）。因此，累加单元不能直接对输出结果进行累加，这里将乘法矩阵输出的IxF个数据，通过一个crossbar输入到一个加法累加buffer中，通过crossbar使属于同一个输出位置的乘法结果输出到同一个累加buffer中，每个累加buffer最后将结果累加得到最后的输出。
以下是最终的系统结构图。
简评
优点：
1、weight、activation稀疏表示；
2、探索卷积运算的多次循环的可并行性，通过多PE结构进行并行计算；
3、计算后的结果如果能作为下一次的activation，则保存在本地PE，避免了重复存取。Tips，这里感觉有个潜在不足，就是每一层的输出其实矩阵是和前一层不一样的，因此，这里的activation应该是所有PE一起的一个整体的调整，可能没有直接存在PE本地那么简单，可以仔细研究一下。
不足：
1、对于卷积层的计算优化的很好了，但是对于全连接层优化有限。
作者：Han Song，William J. Dally
摘要：
结构优化及分析
对于卷积层的加速已经有很多人做，但是对于RNN和LSTMs来说，存在着大量的全连接层（FC），RNN广泛应用于图像捕捉和自然语言识别等领域。本文对FC层进行加速。FC层的特点是所有的输出和所有的输入都有连接，在较大的层里，内存读写就是主要瓶颈。对此本文做了以下优化：
稀疏表示的weight存储结构如图所示，可以看到，weight是按列存储的，且一个PE核对应的weight存在对应PE里。如对于PE0，存储一次是第一列的绿色非零weight，第二列的非零weight。这样就可以每进来一个activation都可以把和他相关的weight运算都算完。按列存储的好处是可以更好的处理activation的稀疏性，只要将非零的activation乘以对应列中非零weight即可。
在运算的时候，activation被广播到所有PE，与每个PE对应列处的非零weight进行计算。
这样计算的话，每个PE的计算量可能不同，进而导致load imbalance。为了解决这一问题，在activation输入每个PE后存储在一个队列里面，如果有一个PE的activation队列满了，则停止输入activation的广播。（tips，这种做有个缺点是，当有一个PE计算量大的时候，其他PE的队列已经空了，这时候就要停下来等他，有没有可能把负载过重的PE工作分配到别处？或者在训练的时候就保证weight的均衡性）。
PE计算完后，通过ReLU会出现0，也就是说对于下一层计算的activation也需要先稀疏表示，这个工作通过LNZD模块完成。LNZD的连接是四叉树型结构（如下图左边），每个LNZD接收4个PE的值，稀疏表示后再依次送到上一级的LNZD节点。LNZD这样的树型结构可以保证增加节点的时候线宽可以保持一致（tips，方便扩展）。
该加速器整体结构如下图所示
简评
优点：
1、稀疏矩阵的乘法中，weight按列存取，多核计算更方便；
2、PE的输入activation使用队列缓存，可以进行负载均衡控制；
3、对于输出activation进行稀疏表示的时候，使用了一个树型结构，方便结构的扩展。
不足：
1、对于全连接层的计算优化的很好了，但是对于卷积层几乎没有优化
2、文中自己提高一个不足，weight按行分配到PE中，activation需要广播到每个PE中，这样对于相应列没有计算的PE也需要接受activation，并做判断。
但是如果列存储，每个PE计算后的结果，还需要最后有一个单元来进行汇总。也可以将weight分块，就可以结合以上两种方式的优点，但是结构就会很复杂。因此这个问题上有个取舍，或许还有更好的方案。
摘要
结构优化及分析
改论文分析了CNN和DNN等深度神经网络，提取出三类关键算法层：分类层（classifier layer，优点类似全连接层），卷积层，pooling layer。对应的通用算法有：乘法，累加，以及sigmoid等特殊运算。根据对这些运算分析，提出了一个三级流水的结构，分别进行乘法，累加，sigmoid运算。
对于分类层，需要用到乘法、累加、sigmoid都会用到；对于卷积层，也是所有级都用到，最后一级的sigmoid也可以变为其他核函数；对于pooling layer，没有乘法，第三级的运算也不是sigmoid，可以是求平均或者求最大值。
在该结构中，为了对大型网络进行运算，使用了输入输出队列来保持activation和weight。输入数据根据队列的大小分块输入。输入activation有时候需要复用，因此activation对应的输入队列NBin被设计出circular buffer。因为输入是按块输入的，因此输出的累加值不是最终结果，为了不重复存取，第二级（NFU-2）有一个delicated register来存储累加值。
简评
感觉整体上是一个中规中矩的处理器设计思路：算法抽象，提取kernel，设计处理器。三级结构比较直观。不足是感觉整个结构是直接的算法映射，由于设计的比较通用，所以可能针对特定算法的结构优化就少一些。
这个结构追求的通用性更强一些，不太适合短时间跟进
摘要
在DianNao基础上加入稀疏编码模块，只选择不为零的activation进行计算；
该结构对classifier layer加速明显，但是对conventional layer加速有限。
结构优化及分析
该结构是在DianNao结构基础上的改进，添加了对activation和weight稀疏的支持。
可以看到，主要的改进是在输入/输出缓存和运算单元之间，加了一个buffer controller。Buffer controller里有两个单元，BCFU用来存储根据IM选择的神经元。IM（indexing module）是稀疏表示的关键，用来根据索引来确定需要计算的神经元，并将对应的数据分配给各个PE计算。文中给出了其根据稀疏表示的index寻址的结构（结构可以借鉴）。
简评
该结构对输入数据的稀疏性进行了处理，但是对于输出后新产生的稀疏数据没有进行处理。
