DeepAxe：一种用于探索DNN加速器近似与可靠性权衡的框架
机器学习
2023-03-16 v1 人工智能
硬件体系结构
摘要
尽管深度神经网络（DNN）在广泛的安全关键应用中的作用正在扩展，新兴DNN在计算能力方面经历着海量增长。这提升了提升DNN加速器可靠性同时减轻硬件平台计算负担的必要性，即降低能耗与执行时间并提高DNN加速器效率。因此，硬件性能（即面积、功耗与延迟）与DNN加速器实现可靠性之间的权衡变得关键，并需要分析工具。在本文中，我们提出一种框架DeepAxe，用于基于FPGA的DNN实现的设计空间探索，考虑应用功能近似在精度、可靠性与硬件性能上的三方影响。该框架支持对可靠性关键DNN的选择性近似，为目标资源利用需求提供一组帕累托最优的DNN实现设计空间点。设计流程始于Keras中的预训练网络，使用创新的高层综合环境DeepHLS，并输出一组帕累托最优设计空间点作为设计者指南。该框架在定制与SOTA DNN及数据集的案例研究中得到演示。
引用
@article{arxiv.2303.08226,
title = {DeepAxe: A Framework for Exploration of Approximation and Reliability Trade-offs in DNN Accelerators},
author = {Mahdi Taheri and Mohammad Riazati and Mohammad Hasan Ahmadilivani and Maksim Jenihhin and Masoud Daneshtalab and Jaan Raik and Mikael Sjodin and Bjorn Lisper},
journal= {arXiv preprint arXiv:2303.08226},
year = {2023}
}
备注
This paper is accepted at the 24th International Symposium on Quality Electronic Design (ISQED) 2023, 8 pages, 4 figures, 4 tables