TCL：一种带可训练截断层的 ANN 到 SNN 转换方法
计算机视觉与模式识别
2021-12-02 v3
摘要
脉冲神经网络（SNN）在边缘设备上具有前景，因为 SNN 的事件驱动操作相比模拟神经网络（ANN）提供了显著更低的功耗。尽管高效训练 SNN 较为困难，但许多将训练好的 ANN 转换为 SNN 的技术已被开发。然而，转换后 SNN 中存在精度与延迟的权衡关系，导致在 ImageNet 等大型数据集上产生可观的延迟。我们提出一种称为 TCL 的技术来缓解该权衡问题，在 SNN 中以 250 个周期的中等延迟实现了 ImageNet 上 73.87%（VGG-16）和 70.37%（ResNet-34）的精度。
引用
@article{arxiv.2008.04509,
title = {TCL: an ANN-to-SNN Conversion with Trainable Clipping Layers},
author = {Nguyen-Dong Ho and Ik-Joon Chang},
journal= {arXiv preprint arXiv:2008.04509},
year = {2021}
}
备注
To appear in the 58th Design Automation Conference (DAC 2021)