崇实大学(韩国)的研究人员发表了“高效卷积神经网络和硬件加速的调查”。
文摘:
“在过去的十年中，基于深度学习的表示在学术界和工业界表现出了卓越的表现。卷积神经网络(cnn)的学习能力源于充分利用大量数据的各种特征提取层的组合。然而，它们通常需要大量的计算和内存资源，以取代现有系统中传统的手工设计功能。在这篇综述中，为了提高深度学习研究的效率，我们将重点关注三个方面:量化/二值化模型、优化架构和资源约束系统。本文回顾了轻量级深度学习模型和网络架构搜索(NAS)算法的最新进展，从简化层和高效卷积开始，包括新的架构设计和优化。此外，使用各种类型的硬件架构和平台研究了几种高效cnn的实际应用。”
找到这里是技术文件．2022年3月出版。
Ghimire d;杀,d;金,工程学系。高效卷积神经网络与硬件加速综述。电子2022,11,945。https://doi.org/10.3390/electronics11060945。
相关阅读
如何优化处理器
处理器设计至少有三个体系结构层，每一个都起着重要的作用。
芯片中人工智能的新用途
ML/DL增加了边缘设计的复杂性，但它也增加了提高功率和性能的新选项。
为什么依赖硬件的软件如此重要
它可能不是最迷人的软件开发类型，但正确地进行它对于任何硬件平台的成功都是至关重要的。
留下回复