面向通用与专用硬件高效关键词 spotting 的硬件感知训练
音频与语音处理
2021-03-11 v3 机器学习
声音
信号处理
机器学习
摘要
关键词 spotting（KWS）为许多移动与边缘应用（包括手机、可穿戴设备和汽车）提供了关键的用户接口。由于 KWS 系统通常“始终开启”，最大化准确率和功耗效率对其效用至关重要。在本工作中，我们使用硬件感知训练（HAT）构建基于 Legendre Memory Unit（LMU）的新 KWS 神经网络，实现了最先进的（SotA）准确率和低参数量。这使得该神经网络能在标准硬件上高效运行（212W）。我们还刻画了定制设计加速器硬件的功耗需求，其实现了 8.79W 的 SotA 功耗效率，比通用低功耗硬件（微控制器）高 24 倍，比专用 ASIC 高 16 倍。
引用
@article{arxiv.2009.04465,
title = {Hardware Aware Training for Efficient Keyword Spotting on General Purpose and Specialized Hardware},
author = {Peter Blouw and Gurshaant Malik and Benjamin Morcos and Aaron R. Voelker and Chris Eliasmith},
journal= {arXiv preprint arXiv:2009.04465},
year = {2021}
}
备注
5 pages, TinyML Research Symposium '21