MAx-DNN: 面向节能DNN硬件加速器的多级算术近似
机器学习
2025-06-27 v1 硬件体系结构
摘要
如今，深度神经网络（DNN）架构的快速发展已使其成为提供先进机器学习任务且具有优异准确率的事实标准方法。针对低功耗DNN计算，本文研究了DNN工作负载的细粒度容错性与硬件近似技术之间的相互作用，以实现更高水平的能效。利用最先进的ROUP近似乘法器，我们根据层级、滤波器级和核级方法，系统地探索了它们在网络中的细粒度分布，并研究了它们对准确率和能耗的影响。我们使用CIFAR-10数据集上的ResNet-8模型来评估我们的近似方法。与基线量化模型相比，所提出的解决方案在牺牲最多4%准确率的情况下，实现了高达54%的能耗节省；同时，与最先进的DNN近似方法相比，它在获得更好准确率的情况下实现了2倍的能耗节省。
引用
@article{arxiv.2506.21371,
title = {MAx-DNN: Multi-Level Arithmetic Approximation for Energy-Efficient DNN Hardware Accelerators},
author = {Vasileios Leon and Georgios Makris and Sotirios Xydis and Kiamal Pekmestzi and Dimitrios Soudris},
journal= {arXiv preprint arXiv:2506.21371},
year = {2025}
}
备注
Presented at the 13th IEEE LASCAS Conference