2019年12月8日，实验室在科技馆5楼会议室举行本周课题交流会，参会人员包括实验室全体研究生。

    实验室研究生李扬分享了一篇题为《Cambricon-X: An Accelerator for Sparse Neural Networks》的论文。该论文提出了一个名为Cambricon-X的AI芯片，是针对稀疏系数的矩阵计算架构。其计算架构主要是由Control Processor，Buffer Controller，Neural Buffers(NBin and NBout)，DMA,Computation Unit组成的，其主要运算方式是：每次读取一次卷积需要的输入数据，然后将数据传输给当前的所有PE的IM，然后每个IM根据step indexing去计算并匹配权重和输入数据，完成数据的匹配后，统一或者各自自主传输给各自的PE（计算单元，内部是乘法器及加法器等），当所有PE计算完成后，将结果写NBout(buffer)。随着之后模型尺寸越来越大，计算量也越来越大，算力非常紧缺，研究稀疏性矩阵的计算，非常有应用前景，特别是嵌入式终端方面，比如手机。不管怎么样，Cambricon-X还是一个很不错的探索！

    实验室研究生高振分享了《基于FPGA的神经网络加速器设计方法》的论文。该论文深入分析了卷积层并行加速的原理及可行性，重新设计了加法树模块，与乘法运算结合设计了通用的全并行乘法-加法树模块，之后又设计了高效的窗口缓存模块对卷积窗口进行流水线操作，并设计了输入通道并行、输出通道并行的加速方案对卷积运算加速，最后构建了一个完整的前向推理卷积神经网络FPGA加速器。实验结果表明，该论文设计的加速器能效比达到32.73 GOPS/W，比现有的解决方案高了34%，非常适合应用于嵌入式平台。

    实验室研究生郑鑫磊分享了图像风格迁移的简史，主流方法和目前比较前沿的方法，主要涉及到论文《A Parametric Texture Model Based on Joint Statistics of Complex Wavelet Coefficients》、《Image stylization by oil paint filtering using color palettes》、《A Neural Algorithm of Artistic Style》，描述一种用深度学习来给纹理建模的方法。之前的纹理生成的一个重要的假设是纹理能够通过局部统计模型来描述，而手动建模方法太麻烦。于是Gatys想到了物体识别的论文，发现VGG19说白了不就是一堆局部特征识别器。他把事先训练好的网络拿过来一看，发现这些识别器还挺好用的。于是Gatys套了个Gramian matrix上去算了一下那些不同局部特征的相关性，把它变成了一个统计模型，于是就有了一个不用手工建模就能生成纹理的方法。后续还有很多人在这个有趣的领域进行深挖，提出了很多效果更好，速度更快的迁移算法。

    会后李扬同学、高振同学和郑鑫磊同学为参会人员解答了相关问题，并和对此课题感兴趣的学生一起进行了深入的交流探讨。