机构名称：
¥ 1.0
卷积神经网络（CNN）目前是可用的最广泛使用的深神经网络（DNN）架构之一，并实现了许多问题的最新性能。最初应用于计算机视觉任务，CNN可与具有空间关系的任何数据（图像之外）很好地运行，并且已应用于不同的领域。然而，最近的作品强调了DNN中的数值稳定性挑战，这也与它们对噪声注入的已知敏感性有关。这些挑战可能会危害其性能和可靠性。本文研究了预测蛋白质功能的CNN DeepGoplus。deepgoplus已经达到了最先进的性能，并可以成功利用并注释蛋白质组学中出现的蛋白质序列。我们通过量化基础流量数据扰动而产生的数值不确定性来确定模型推理阶段的数值稳定性。此外，我们探索了使用降低精确的浮点数格式进行DeepGoplus推断的机会，以减少记忆消耗和延迟。这是通过使用Monte Carlo Arithmetic仪器执行的来实现的，该技术可以在实验上量化点功能操作误差和VPREC，该工具以可自定义的流量流动点上的精度格式模仿结果。焦点放在推理阶段，因为它是DeepGoplus模型的主要交付，广泛适用于不同环境。总的来说，我们的结果表明，尽管DeepGoplus CNN在数值上非常稳定，但只能通过较低精确的流动点格式选择性地实现。我们得出的结论是，从预先训练的DeepGoplus模型中获得的预测在数值上非常可靠，并且有足够的现有旋转点格式有效。
DeepGoplus推断的数值稳定性
主要关键词
相关文件推荐
