提高用于脉冲神经形态芯片的前馈神经网络分类精度
神经与进化计算
2017-05-23 v1 计算机视觉与模式识别
摘要
深度神经网络（DNN）在许多图像分析任务中达到了人类水平的表现，但DNN大多部署在功耗相当大的GPU平台上。使用较低精度算术的新硬件平台大幅降低了功耗。最近，受大脑启发的脉冲神经形态芯片实现了更低的功耗，达到毫瓦级，同时仍提供实时处理能力。然而，要将DNN部署到高能效的神经形态芯片上，必须克服传统DNN的连续神经元和突触权重与神经形态芯片的离散脉冲神经元和突触之间的不兼容性。先前的工作通过在将网络部署到诸如IBM TrueNorth神经突触系统之类的神经形态架构之前，训练网络学习连续概率，然后对这些概率进行随机采样来实现这一点。本文的主要贡献是一种新的学习算法，该算法学习一个可直接部署的TrueNorth配置。我们通过直接训练一个适应TrueNorth轴突配置约束的二进制硬件交叉开关来实现这一点，并提出了一种不同的神经元模型。我们的方法在脑电图（EEG）数据上训练的结果显示，与先前的工作相比有显著改进（准确率从76%提升至86%），同时在MNIST手写数据集上保持了最先进的性能。
引用
@article{arxiv.1705.07755,
title = {Improving classification accuracy of feedforward neural networks for spiking neuromorphic chips},
author = {Antonio Jimeno Yepes and Jianbin Tang and Benjamin Scott Mashford},
journal= {arXiv preprint arXiv:1705.07755},
year = {2017}
}
备注
IJCAI-2017. arXiv admin note: text overlap with arXiv:1605.07740