●技術簡介：
1. 自動生成基於卷積神經網路之硬體架構之Verilog code工具:針對現行比較常用的DNN網路可生成4種不同的硬體架構(output/ weight stationary, 樹狀結構, NVDLA)。
2. 可視效能指標分析工具: 根據選擇的DNN模型，與硬體架構規格的選擇，分析效能指標
●技術之科學突破性：
1. 自動生成基於卷積神經網路之硬體架構之Verilog code工具: 增加可支援的layer type，現今大多數的硬體架構都只有針對卷積層、池化層這些基本層做硬體加速。新增可支援的layer type: shortcut , route , up-sample , depth-wise convolution。
2. 可視效能指標分析工具: 可有效分析模型在硬體架構上之效能，由PE使用率、Roofline分析等數據，快速了解，該模型在挑選硬體規格下的性能表現。從中挑選出最適合的硬體規格來實現DNN模型硬體加速。
●技術之產業應用性：
DNN模型已廣泛的應用在各種AI處理，而許多的應用都有使用到硬體加速的方法。但通常要設計硬體架構，需考慮演算法的不同，並沒有一個通用型的解法。為此我們設計了一個通用型的自動生成針對現行流行之DNN硬體加速器。並且針對先前比較常見的網路層以外的類別，提供支援該運算功能。另外要測試該效能通常要跑很繁瑣的VLSI Design flow，才能夠知道該硬體效能的優劣。對此，我們設計了Profiler來節省測試效能的時間。我們有針對各個效能指標做快速分析的功能，讓使用者即能在最短的時間內，挑選出最適合該模型之硬體架構。

線上展網址：
https://tievirtual.twtm.com.tw/iframe/0e63b016-6c1c-4957-9715-b0386dda2fe4?group=23bfb1fa-dd5b-4836-81a1-4a1809b1bae5&lang=tw