一种用于卷积神经网络的混合信号架构
计算机视觉与模式识别
2019-05-06 v4
摘要
具有更低能耗与延迟的深度神经网络(DNN)加速器对于满足面向物联网和边缘计算系统的硬件需求是必要的。卷积神经网络(CoNNs)属于最流行的DNN架构类型之一。本文提出一种用于CoNNs的加速器的设计与评估。其系统级架构基于混合信号细胞神经网络(CeNNs)。具体而言，我们提出(i)使用CeNN在CoNN中实现不同层，包括卷积、ReLU和池化；(ii)具有CeNN友好层的改进CoNN结构，以降低通常伴随CoNN的计算开销；(iii)在模拟与混合信号域执行CoNN计算的混合信号CeNN架构；(iv)设计空间探索，在常用数据集——MNIST和CIFAR-10上评估时，确定相比现有算法与架构表现最佳的基于CeNN的算法与架构特征。值得注意的是，与最先进DNN引擎相比，所提方法在同等准确率下对MNIST数据集每位数字分类的能耗延迟积(EDP)可改善8.7，而对CIFAR-10数据集，我们的方法相比其他网络实现可改善4.3的EDP。
引用
@article{arxiv.1811.02636,
title = {A mixed signal architecture for convolutional neural networks},
author = {Qiuwen Lou and Chenyun Pan and John McGuiness and Andras Horvath and Azad Naeemi and Michael Niemier and X. Sharon Hu},
journal= {arXiv preprint arXiv:1811.02636},
year = {2019}
}
备注
25 pages