一种面向超低功耗关键词唤醒的优化循环单元
机器学习
2019-02-14 v1 机器学习
摘要
在传感器、可穿戴设备与物联网(IoT)设备上运行神经网络正引起越来越多的关注。然而,神经网络的计算需求使其难以部署于资源受限的边缘设备。为满足该需求,本文提出一种专门适配于设备端低功耗声学事件检测(AED)的新型循环单元架构。所提架构基于门控循环单元(`GRU'),但具有使其可在Arm Cortex M0+等超低功耗微控制器上实现的优化。我们的新架构——嵌入式门控循环单元(eGRU)——被证明具有极高效率,适用于短时AED与关键词唤醒任务。单个eGRU单元比GRU单元快60倍、小10倍。尽管经过优化,eGRU在不同复杂度任务上仍与GRU表现相当。我们在可穿戴声学事件检测应用中考察了eGRU的实用性。一个eGRU模型被实现并测试于基于Arm Cortex M0的Atmel ATSAMD21E18处理器上。eGRU模型的Arm M0+实现优于运行于工作站上的全精度GRU。该嵌入式eGRU模型达到95.3%的分类准确率,仅比全精度GRU低2%。
引用
@article{arxiv.1902.05026,
title = {An Optimized Recurrent Unit for Ultra-Low-Power Keyword Spotting},
author = {Justice Amoh and Kofi Odame},
journal= {arXiv preprint arXiv:1902.05026},
year = {2019}
}