近些年来,随着人工智能技术的发展,卷积神经网络在计算机视觉领域得到了广泛应用,它在图像分类、目标检测等任务中表现优异。但卷积神经网络计算量较大,此特性使其难以直接在边缘端或移动设备上部署,因为此类平台通常算力有限,且对功耗敏感。为了使卷积神经网络在这种平台上运行,通常使用轻量级的网络模型,或使用专用的电路对其进行计算。根据这两个理念,本文提出了基于So PC平台的轻量级卷积神经网络加速器,可进行Mobile Net V2网络前向传播的计算。首先,本文分析了Mobile Net V2计算过程中的并行性。针对Mobile Net V2中不同类型的卷积,对其进行不同维度的展开,分析了不同并行策略的实现方法、效果和可行性。初步量化分析了不同的并行系数对卷积计算时间的影响,并确定了本方案中的并行系数。之后,本文实现了基于Zynq 7020的Mobile Net V2加速器系统。加速器系统分为硬件和软件两部分。硬件部分主要功能为计算网络的卷积层,由主控模块、卷积模块、DMA、参数缓存、特征图缓存和控制状态寄存器构成。在卷积模块的设计中,使用了统一的单元处理,针对不同的卷积运算采用不同的并行策略,通过改变模块中的数据通路以实现不同运算。对批量归一化运算进行优化,避免了除法和开方运算,减少了资源消耗。为了减少访问内存中网络参数带来的延迟,本文实现了基于预取机制的参数DMA和参数缓存,可将读取参数与卷积计算的过程并行。为了适应中间数据高吞吐量的特性,本文针对不同类型的中间数据设计了不同机制的片上缓存。软件部分包括基于PC的参数提取中间件和PS侧软件。中间件实现了提取Tensorflow预训练模型参数、参数定点化和数据打包的功能。PS侧软件主要功能为PL控制、全连接层计算和分类结果预测。在PS侧软件设计中,对于全连接层计算,使用了NEON单元对其并行计算。将卷积运算与全连接层计算流水线化设计,在多幅图片分类任务中,使PL和PS可以并行工作,提高了数据吞吐量。最后,本文实现了基于PC和ZC702评估板的测试平台,对加速器系统进行测试。加速器系统工作频率为150MHz,运行Mobile Net V2 0.5 96网络,数据使用16位有符号定点数。加速器系统共使用了169个DSP资源。对多幅图片的分类任务,本文的设计可实现2.2ms/张的处理速度,计算性能为16.4GOPS。