پریا دربانی - دانشجوی دکترا دانشکده کامپیوتر دانشگاه علم و صنعت ایران. تهران .ایران.
نظام رهبانی - پژوهشگر پسا دکترا .پژوهشکده علوم کامپیوتر.پژوهشگاه دانش های بنیادی تهران ایران
حاکم بیت الهی - استادیار دانشکده کامپیوتر .دانشگاه علم و صنعت ایران .تهران ایران
پژمان لطفی کامران - دانشیار پژوهشکده علوم کامپیوتر.پژوهشگاه دانش های بنیادی.تهران ایران

شبکه های عصبی عمیق به طور گسترده در کاربردهای هوش مصنوعی استفاده می شوند. انتقالات زیاد داده ها و تعداد محاسبات فراوان از ویژگی های اجرای این شبکه هاست. شبکه های عصبی از چندین لایه تشکیل شده اند که هر لایه نسبت به دیگر لایه ها اندازه منحصربه فرد و متفاوتی دارد. معمولا ابعاد شتاب دهنده بر مبنای میانگینی از اندازه دسته ای از لایه ها، تعیین و ساخته می شود. هنگام اجرای برخی از لایه ها به دلیل عدم همپوشانی کامل ابعاد آن لایه با ابعاد پردازنده، تعدادی از منابع بی استفاده می مانند؛ یعنی با وجود نیاز به منابع محاسباتی بیشتر برای اجرای سریع تر محاسبات، اختلاف اندازه برخی لایه های شبکه عصبی با ابعاد شتاب دهنده، مانع دستیابی به حداکثر کارایی می شود. معماری پیشنهادی با استفاده از قابلیت بازپیکربندی امکان تغییر ابعاد پردازنده و نزدیک شدن به ابعاد لایه در حال اجرا را فراهم می کند. این معماری مشکل بی استفاده ماندن منابع را بهبود داده و در برخی موارد کاملا برطرف می کند. بهبود بهره وری، سرعت محاسبات مدل گوگل نت را به طور متوسط ۴۱/۲۷% افزایش داده و دفعات خواندن از حافظه داخلی را حدود ۲۳% نسبت به معماری پایه کاهش داده است. بهبودها در حالی است که سربار سخت افزاری بسیار کم و قابل چشم پوشی به سیستم اعمال شده است.