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。
畳込みニューラルネットワークは近年劇的に改善した,従来のコンピュータビジョンアルゴリズムのそれを超える問題と性能に及ぼすヒト精度を越えた。自体の計算パターンは比較的簡単であるが,CNNは百万浮動小数点のパラメータを含み,単一画像を処理するための浮動小数点演算の十億を必要とするかもしれないとしてが残っている計算と記憶の挑戦。,典型的なキャッシュサイズを超える貯蔵フットプリントと組み合わせたこれらの計算要求は,現代計算アーキテクチャのための顕著な性能と電力の挑戦を提起している。これは計算能力を,重量および特徴マップバッファリング要求ならびにエネルギー消費を減少させることができるとしてスケール性能と電力効率に有望な機会の一つは,すべての活性化と重みの減少精度表現を強化するためである。精度のわずかな減少に遭遇したが,これらの量子化されたニューラルネットワークは,標準的ベンチマークデータセット,MNIST,CIFAR10SVHNともImageNetなど最新の精度を達成し,従って非常に魅力的な設計トレードオフを提供することが示された。最近の研究は,重みとまたは活性化の完全な二値化を用いた極端な変異体の実装,典型的に小さい入力画像を中心に焦点を当ててきた。本論文では,著者らは,両方の量と活性化,より大きな画像寸法,および特徴マップチャンネルの数の増加のための種々の精度を支えるに関してデータフロー・アーキテクチャのスケーラビリティを調べた。重要な寄与はターゲットデバイスサイズの関数としてコストモデルと性能予測と既存のハードウェアアーキテクチャのスケーラビリティを理解するための形式化されたアプローチである。サーバクラスプラットフォーム,すなわちAWS F1ノードにImageNet分類のための実験結果を検証し提供する。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】