一种用于深度网络训练的可重构低功耗高吞吐架构
机器学习
2016-06-16 v2 硬件体系结构
分布式、并行与集群计算
摘要
通用计算系统被用于种类繁多的应用。这些系统对灵活性广泛支持限制了其能效。包括深度网络在内的神经网络被广泛用于信号处理与模式识别应用。在本文中，我们提出一种基于深度神经网络处理的多核架构。利用忆阻器交叉阵列提供神经网络的低功耗高吞吐执行。该系统兼具训练与识别（新输入评估）能力。所提系统可用于分类、降维、特征提取与异常检测应用。将该专用架构在系统级面积与功耗上的优势与NVIDIA Tesla K20 GPGPU进行比较。我们的实验评估表明，对于深度神经网络处理，所提架构相比GPGPU可提供高达五个数量级的更高能效。
引用
@article{arxiv.1603.07400,
title = {A Reconfigurable Low Power High Throughput Architecture for Deep Network Training},
author = {Raqibul Hasan and Tarek Taha},
journal= {arXiv preprint arXiv:1603.07400},
year = {2016}
}
备注
9 pages