神经形态硬件上关键词 spotting 效率的基准测试
机器学习
2019-04-04 v2 机器学习
摘要
利用英特尔的 Loihi 神经形态研究芯片和 ABR 的 Nengo 深度学习工具包，我们分析了经过训练以识别单个短语的两层神经网络关键词 spotting 器的推理速度、动态功耗以及每次推理的能量开销。我们对该关键词 spotting 器在包括 CPU、GPU、英伟达 Jetson TX1 和 Movidius 神经计算棒等更常规硬件设备上的运行进行了对比分析。我们的结果表明，对于该推理应用，Loihi 在每次推理能量开销方面优于所有这些替代方案，同时保持同等的推理精度。此外，对网络规模、推理速度和能量开销之间权衡的分析表明，Loihi 相对于其他低功耗计算设备的比较优势随网络规模增大而提升。
引用
@article{arxiv.1812.01739,
title = {Benchmarking Keyword Spotting Efficiency on Neuromorphic Hardware},
author = {Peter Blouw and Xuan Choo and Eric Hunsberger and Chris Eliasmith},
journal= {arXiv preprint arXiv:1812.01739},
year = {2019}
}
备注
Updated power measurements on Loihi after improvements to I/O speed. Updated discussion in light of results