目录
1. Introduction
在CNN的计算过程中，各级存储层次（DRAM、on-chip global buffer、Regs）之间的数据传输很复杂，从功耗的观点来看，当前的CNN加速器是通信主导的，最小化通信是提高CNN加速器能效的关键。
最大化数据复用可以减少通信，数据复用依赖于卷积数据流，当前研究设计的数据流基于直觉/启发式的分析，不能保证是最优的。
在给定的硬件资源（On-chip memory）下，搜索出一种数据流和架构最小化通信具有实用意义。
2. Background
图2展示了卷积的基本计算过程，它是一个7层的循环，包含对多种数据复用方式，如输入复用（InR，一个输入被多个卷积核使用）、卷积窗复用（WndR，一个输入被多个重叠的滑动窗口复用）、权重复用（WtR，一个权重被多个输入使用）、输出复用（OutR，在整个计算过程中，输出驻留在片上）。