YodaNN：一种面向超低功耗二值权重 CNN 加速的架构

Renzo Andri; Lukas Cavigelli; Davide Rossi; Luca Benini

YodaNN：一种面向超低功耗二值权重 CNN 加速的架构

硬件体系结构 2017-02-27 v4 计算机视觉与模式识别神经与进化计算

作者: Renzo Andri , Lukas Cavigelli , Davide Rossi , Luca Benini

摘要

卷积神经网络（CNN）在过去几年中彻底改变了计算机视觉领域，将图像分类的准确率推向超越人类的水平。当今 CNN 的计算需求需要高功耗的并行处理器或 GP-GPU。近期面向片上系统集成的 CNN 加速器显著降低了能耗。遗憾的是，即使是这些高度优化的器件，其功耗也超出了移动与深度嵌入式应用所限定的功率范围，并面临 CNN 权重 I/O 与存储带来的严重限制。这阻碍了 CNN 在未来超低功耗物联网终端节点中用于近传感器分析的采用。近期的算法与理论进展使得即使在训练期间将 CNN 权重限制为二值（+1/-1），也能获得具有竞争力的分类准确率。这些新发现通过消除昂贵的乘法需求，并降低 I/O 带宽和存储，为算术核心带来了重大的优化机会。在本工作中，我们提出了一种针对二值权重 CNN 优化的加速器，在 UMC 65 nm 工艺下，于 1.2 V 电压下实现了 1510 GOp/s 的算力，核心面积仅为 1.33 MGE（百万门等效）或 0.19 mm $^2$ ，在 0.6 V 下功耗为 895 $\mu$ W。我们的加速器在能效和面积效率方面显著优于现有技术，分别达到 61.2 TOp/s/[email protected] V 和 1135 GOp/s/[email protected] V。

关键词

CNN 加速器二值权重 CNN 超低功耗物联网能效

引用

@article{arxiv.1606.05487,
  title  = {YodaNN: An Architecture for Ultra-Low Power Binary-Weight CNN Acceleration},
  author = {Renzo Andri and Lukas Cavigelli and Davide Rossi and Luca Benini},
  journal= {arXiv preprint arXiv:1606.05487},
  year   = {2017}
}

YodaNN：一种面向超低功耗二值权重 CNN 加速的架构

摘要

关键词

引用

相关论文