基于多类分类器与多近似器的调用驱动神经近似计算
机器学习
2018-10-22 v1 机器学习
摘要
神经近似计算以可容忍的质量损失为代价获得极高的能效。神经近似器可将输入数据映射到输出，而分类器则判断输入数据是否可在质量保障下安全近似。然而，现有工作无法最大化近似器的调用，导致加速和节能效果有限。通过探索这些目标函数的映射空间，本文观察到同一近似器引起的近似误差呈非均匀分布。因此我们提出了一种带有多类分类器与多近似器（MCMA）的新型近似计算架构。这些近似器具有相同的网络拓扑，从而可在神经处理单元（NPU）簇中共享相同的硬件资源。在运行时，MCMA 仅需将突触权重从片上存储器传输到 MAC 附近的缓冲区，即可在一个周期内换入被调用的近似器。我们还针对该 MCMA 架构提出了高效的协同训练方法。实验结果显示了 MCMA 更大幅度的调用以及能效的提升。
引用
@article{arxiv.1810.08379,
title = {Invocation-driven Neural Approximate Computing with a Multiclass-Classifier and Multiple Approximators},
author = {Haiyue Song and Chengwen Xu and Qiang Xu and Zhuoran Song and Naifeng Jing and Xiaoyao Liang and Li Jiang},
journal= {arXiv preprint arXiv:1810.08379},
year = {2018}
}
备注
Accepted by ICCAD 2018