抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ディープニューラルネットワークは,その高い認識率のために画像分類,音声認識と自然言語処理などの多くの応用に広く使われている。CPUおよびGPUなどの汎用プロセッサは,そのようなニューラルネットワークのためのエネルギー効率的でないので,ニューラルネットワーク(別名ニューラルネットワーク加速器またはQTAIM)のための特定用途向けハードウェアアクセラレータは,エネルギー効率を改善するために提案した。QTAIMのエネルギー効率を増加させるために多くの研究があるが,加速器のタスク割当に焦点を当てた研究はほとんどない。本論文では,性能向上のためのQTAIM内コアへのタスクマッピングの最初の研究を提供する。直感的で良く同調されたタスクマッピングはコア間の通信量が少ない。この仮定を確認するために,NNAにコア間の通信の異なる量を生成する二種類のタスクマッピングを試験した。著者らの実験結果は,コア間の通信の数はNNAの実行サイクルに強く影響する,最も効果的なタスクマッピングニューラルネットワークのサイズに依存して異なることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】