机构名称：
¥ 1.0
摘要 — 深度神经网络 (DNN) 已被证明在图像识别、物体检测、机器人技术和自然语言处理等广泛应用中均优于传统机器学习算法。然而，DNN 的高计算复杂度通常需要极其快速和高效的硬件。随着神经网络规模呈指数级增长，问题变得更加严重。因此，已经开发了定制的硬件加速器来加速 DNN 处理而不牺牲模型准确性。然而，以前的加速器设计研究没有充分考虑目标应用程序的特点，这可能导致架构设计次优。另一方面，已经开发了新的 DNN 模型以提高准确性，但它们与底层硬件加速器的兼容性往往被忽视。在本文中，我们提出了一个应用驱动的框架，用于探索 DNN 加速器的架构设计空间。该框架基于单个 DNN 操作的硬件分析模型。它将加速器设计任务建模为一个多维优化问题。我们证明它可以有效地用于应用驱动的加速器架构设计：我们使用该框架优化八个代表性 DNN 的加速器配置，并选择具有最高几何平均性能的配置。相对于仅针对每个 DNN 优化的架构配置，所选 DNN 配置的几何平均性能改进范围为 12.0% 至 117.9%。给定一个目标 DNN，该框架可以生成具有优化性能和面积的高效加速器设计解决方案。此外，我们探索了在同时使用多种 DNN 应用的情况下使用该框架进行加速器配置优化的机会。该框架还能够改进神经网络模型，以最适合底层硬件资源。我们证明它可用于分析目标 DNN 的操作与相应加速器配置之间的关系，在此基础上可以调整 DNN 以在给定加速器上获得更好的处理效率，而不会牺牲准确性。
软件定义设计空间探索，实现高效...
主要关键词
相关文件推荐
