Eyeriss: A Spatial Architecture for Energy-Efficient Dataflow for Convolutional Neural Networks

[meton-robean]

参考： 能效优先：eyeriss CNN加速器的设计思路

[meton-robean]

论文贡献：

• 针对CNN，提出了新型的数据流模式，row-stationary， 挖掘数据重用的潜力，最小化了数据移动过程中的能量消耗

• 按照数据移动的能耗，将加速器的存储分成四个层级，off chip-DRAM， global buffer, i/o FIFO, RF，越常被重用的数据，存储的层级越低，访问的开销越小。

• 传统CNN加速器架构只针对权重或者累加和进行数据的重用。而eyeriss可以通过配置，实现不同存储层次上的权重和累加数据的重用，避免了反复写回片外存储带来的巨大开销

• 加速器上有两个时钟，一个是global buffer访问内存的时钟，一个是PE做计算的核心时钟。区分开来的好处是可以异步访问内存，方便预取

• 每个PE上都有一个状态机，当操作数就绪时，每个PE可以立即执行运算操作，而无需等待所有PE就绪。

[meton-robean]

思考：

• Eyeriss 提出的四层存储结构很好地降低了数据移动的开销
• 每个PE上的状态机也避免了PE数量过多，导致等待其他PE就绪时间过长
• 论文通篇围绕 提高数据重用 而设计，目的性强，没有冗余结构