面向 tinyML 平台的无乘法器滤波内计算
机器学习
2023-04-25 v1
摘要
利用环境因素连续监测进行的野生动物保护以及生物医学分类会产生大量传感器数据，在远程监测带宽受限的情况下成为挑战。在数据生成处进行分类且仅将分类数据用于监测变得至关重要。我们提出了一种新颖的无乘法器框架，用于基于 Margin Propagation（MP）近似的滤波内声学分类，该近似用于部署在连通性有限的偏远地区的低功耗边缘设备。该分类框架的整体设计基于模板核机器，包含特征提取与推理，并采用加法/减法、移位和比较器操作等基本原语进行硬件实现。不同于传统分类的全精度训练方法，我们使用基于 MP 的近似进行训练，包括反向传播以缓解近似误差。所提框架对声学分类具有普适性。然而，我们通过在现场可编程门阵列（FPGA）上优化实现的并行有限冲激响应（FIR）滤波器组核机器分类器，展示了该框架对硬件的友好性。FIR 滤波器充当特征提取器及使用 MP 近似实现的非线性核，并采用下采样方法降低滤波器阶数。Spartan 7 上的 FPGA 实现表明，MP 近似的滤波内核机器比传统分类框架更高效，且仅需不到 1K 个 slice。
引用
@article{arxiv.2304.11816,
title = {Multiplierless In-filter Computing for tinyML Platforms},
author = {Abhishek Ramdas Nair and Pallab Kumar Nath and Shantanu Chakrabartty and Chetan Singh Thakur},
journal= {arXiv preprint arXiv:2304.11816},
year = {2023}
}