通過使用Achronix Speedster7t FPGA中的機器學習加速器MLP72，開發(fā)人員可以輕松選擇浮點/定點格式和多種位寬，或快速應用塊浮點，并通過內部級聯(lián)可以達到理想性能。

神經網絡架構中的核心之一就是卷積層，卷積的最基本操作就是點積。向量乘法的結果是向量的每個元素的總和相乘在一起，通常稱之為點積。此向量乘法如下所示：

圖1點積操作

該總和S由每個矢量元素的總和相乘而成，因此

本文講述的是使用FP16格式的點積運算實例，展示了MLP72支持的數字類型和乘數的范圍。
此設計實現了同時處理8對FP16輸入的點積。該設計包含四個MLP72，使用MLP內部的級聯(lián)路徑連接。每個MLP72將兩個并行乘法的結果相加，每個乘法都是i_a輸入乘以i_b輸入（均為FP16格式）的結果。來自每個MLP72的總和沿著MLP72的列級聯(lián)到上面的下一個MLP72塊。在最后一個MLP72中，在每個周期上，計算八個并行FP16乘法的總和。

最終結果是多個輸入周期內的累加總和，其中累加由i_first和i_last輸入控制。i_first輸入信號指示累加和歸零的第一組輸入。i_last信號指示要累加和加到累加的最后一組輸入。最終的i_last值可在之后的六個周期使用，并使用i_last o_valid進行限定。兩次運算之間可以無空拍。

• 配置說明

表1 FP16點積配置表

• 端口說明

表2 FP16點積端口說明表

• 時序圖

圖2 FP16點積時序圖

其中，

那么，以上運算功能如何對應到MLP內部呢？其后的細節(jié)已分為MLP72中的多個功能階段進行說明。

• 進位鏈

首先請看下圖，MLP之間的進位鏈結構，這是MLP內部的專用走線，可以保證級聯(lián)的高效執(zhí)行。

圖3 MLP進位鏈

• 乘法階段

下圖是MLP中浮點乘法功能階段，其中寄存器代表一級可選延遲。

圖4 MLP乘法功能階段框圖

MLP72浮點乘法級包括兩個24位全浮點乘法器和一個24位全浮點加法器。兩個乘法器執(zhí)行A×B和C×D的并行計算。加法器將兩個結果相加得到A×B + C×D。
乘法階段有兩個輸出。下半部分輸出可以在A×B或（A×B + C×D）之間選擇。上半部分輸出始終為C×D。
乘法器和加法器使用的數字格式由字節(jié)選擇參數以及和參數設置的格式確定。
浮點輸出具有與整數輸出級相同的路徑和結構。MLP72可以配置為在特定階段選擇整數或等效浮點輸入。輸出支持兩個24位全浮點加法器，可以對其進行加法或累加配置。進一步可以加載加法器（開始累加），可以將其設置為減法，并支持可選的舍入模式。
最終輸出階段支持將浮點輸出格式化為MLP72支持的三種浮點格式中的任何一種。此功能使MLP72可以外部支持大小一致的浮點輸入和輸出（例如fp16或bfloat16），而在內部以fp24執(zhí)行所有計算。

圖5 MLP浮點輸出階段框圖

需要強調的是本設計輸入和輸出都是FP16格式，中間計算過程，即進位鏈上的fwdo_out和fwdi_dout 都是FP24格式。具體邏輯框圖如下所示：

圖6 FP16點積邏輯框圖

MLP內部數據流示意圖：

圖7 FP16點積在MLP內部數據流圖

最終ACE的時序結果如下：