深度神经网络的快速发展,推动了人工智能领域的革命性进步,同时也改变了人们的生产生活方式,在广泛的应用领域中取得了令人瞩目的成果。这些深度神经网络通常拥有很大规模,对硬件平台的计算资源和存储资源的需求也十分庞大,限制了在实际应用中的部署范围,尤其是在一些移动端或者嵌入式等资源受限平台上的使用。由于摩尔定律的发展速度正在逐渐放缓,同时神经网络算法仍然在以很快的速度进行发展和演化,单独地从硬件层面或者软件层面进行神经网络的加速和优化,很难有效地解决资源受限的问题。本文采用软硬件协同的方法,分别从硬件适配软件、软硬件耦合优化、软件适配硬件三个方面进行深入的研究,主要成果和创新点包括:·在硬件适配软件方面,本文提出一种数据为中心的卷积神经网络加速架构。架构采用一种全新的计算数据流,通过对算法计算中数据重用模式的利用,有效地减少片上的总数据传输量以及单次数据传输量。针对卷积操作进行优化有效地实现卷积神经网络的计算性能加速,专用架构的设计实现大幅度的功耗和面积的开销降低。·在软硬件耦合优化方面,本文提出一种基于Re RAM的稀疏神经网络加速架构SNrram。SNrram在软件层面采用对硬件平台更为友好的剪枝算法进行稀疏化,然后在硬件层面对规则化的稀疏权值数据的分解和重组操作。SNrram中提出一种稀疏性转移算法,可以最大限度地对网络的权值数据和激活值数据中的稀疏特征进行利用,实现高效地稀疏神经网络加速。·在软件适配硬件方面,本文提出两种神经网络量化方法。针对循环神经网络在量化后准确率大幅下降的问题,本文提出一种混合的三值循环神经网络量化方法Hit Net,针对不同分布的数据采用不同的量化策略,成功量化循环神经网络中全部权值数据和部分激活值数据至{-1,0,1}三值状态,可有效缩小量化模型与原始模型之间的精度差距。·针对生成式对抗网络训练过程不稳定的问题,本文提出一种生成式对抗神经网络量化方法QGAN,采用基于EM算法的线性量化策略和多精度的量化策略,成功实现了生成式对抗网络的量化操作。在仅使用1比特或者2比特进行数据表示的极端情况下,QGAN仍然可以生成质量与原始模型具有可比性的图片样本。