随着5G和物联网技术的崛起,边缘计算和人工智能的结合逐渐成为研究热点,从而催生出了“边缘智能”。边缘计算使得计算能力更接近用户或数据源,显著减少了计算延迟和通信开销并保护了用户隐私。神经网络技术在图像识别、语音识别等领域广泛应用,效果优异。因此,在手机、相机等边缘设备上部署神经网络以完成各项推理任务已经开始普及。然而,由于环境影响导致边缘推理任务精度下降的问题、传输延迟和用户隐私的问题使得在边缘设备上进行神经网络训练的需求变得迫切。解决这一问题的方法就是在边缘设备上对神经网络进行重训练。在边缘进行神经网络训练的挑战在于,边缘设备通常具有严格的功耗和片上资源限制。并且训练比推理更加复杂,计算量更大,所需存储更多。作为第二代神经网络的卷积神经网络和第三代神经网络脉冲神经网络多被广泛应用于各类识别任务且表现优异。它们各有特点。卷积神经网络能够完成较为复杂的识别任务,如图像分类中、关键点检测和实例分割等。但是其计算量和存储开销都比较大。因此在边缘只能支持轻量级的网络训练。与之相比,脉冲神经网络的计算量和存储开销都比较小。但是它目前暂时缺乏普遍高效的学习算法。因而其表现略逊于卷积神经网络。两种网络各自有其可取之处。本文主要针对卷积神经网络和脉冲神经网络训练中不同计算需求和特点,提出了对应的加速器体系结构设计、实现和存储优化方法,以便将其训练部署于边缘计算场景下。本文主要贡献如下:1)面向卷积神经网络片上训练的加速器体系结构设计与实现。针对具有计算密集型特点的卷积神经网络训练,本文提出使用二维脉动阵列来支持训练的前向传播和反向传播中的卷积和矩阵乘运算;基于硬件友好的范围批处理归一化算法,本文提出了批处理归一化阵列来支持批处理归一化计算并加速训练的收敛速度;针对反向传播算法,本文提出了反向传播引擎来支持训练反向传播中误差计算、梯度计算和权值更新。除此之外,本文还提出了脉动阵列与批处理归一化阵列之间的协同机制优化方法,进一步减少了硬件实现开销并提升了计算效率。2)面向液体状态机片上训练的类脑处理器体系结构设计与实现。针对液体状态机这种脉冲神经网络的计算特点,本文提出了一种采用移位寄存器进行脉冲发送的类脑处理器。针对处理器需要传输大量初始化数据的问题,本文提出了压缩传输,解压缩使用的方法,以加快初始化过程,同时保证数据的准确性。除此之外,基于对液体状态机在时间上的稀疏性的特性分析,本文提出了跳零机制这一优化方法来进一步提升加速器的处理性能。3)面向液体状态机的类脑处理器片上存储压缩机制设计与实现。基于对液体状态机鲁棒性和空间稀疏性的特性分析,本文提出了一种压缩稀疏组相联缓存的有损存储压缩方式。该方式能够在不降低网络精度、降低处理器性能很小的条件下,实现网络中权值存储的压缩,从而降低处理器功耗。本文提出的卷积神经网络片上训练加速器在FPGA ZYNQ-Z1上实现。实验表明,其功耗为0.346W,工作频率为50MHz。与CPU I5-7500相比,它能带来3.3×的性能提升和8.9×的能效提升。本文提出的液体状态机片上训练类脑处理器使用ASIC 40nm工艺实现。其功耗为4.9W,工作频率为400MHz,芯片面积为18.49mm~2。与CPU I7-7700H相比,在MNIST,N-MNIST,FSDD数据集上的训练能达到80.7×-91.3×的性能提升。除此之外,使用跳零机制比不使用带来5.23×-5.48×的性能提升。本文提出的采用压缩稀疏组相联缓冲这种压缩方式,在不同的权值位宽下,可以为面向液体状态机的类脑处理器带来14%-55%的存储削减和5%-46%的功耗降低。本文提出的两款加速器设计分别支持卷积神经网络和脉冲神经网络的片上训练,因此都可以应用于边缘计算场景,为神经网络的训练提供底层硬件支撑。