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。
深い畳込みニューラルネットワーク(CNN)は,単一入力を分類するための操作を実行する。これらの計算を減らすために,本論文は,実行時間情報とCNNのアルゴリズム構造の組合せを活用する解法を提供した。具体的には,多数の現代のCNNにおいて,入力が負の場合に,計算機-重いコンボリューション演算の出力は,ゼロを出力する活性化ユニットに供給される。このユニークなアルゴリズム的性質を利用することにより,著者らは予測的初期活性化技術,二重層SnaPEAを提案した。この技術は,出力が負になるなら,畳込み操作の計算を短くする。SnaPEAは,2つの明確なモード,正確で予測において操作することができる。正確なモードにおいて,分類精度における損失なしで,SnaPEAはそれらの符号に基づく重みを静的に再順序付けして,部分和に関する単一ビット符号検査を周期的に実行した。部分和がゼロ以下になると,出力値が任意の場合にゼロになるので,残りの計算は簡単に無視できる。予測モードにおいて,より大きな節約のために分類精度を取引する,SnaPEAは正確なモードよりも早く計算を短くする。精度を制御するために,投機の程度を閾値化する多変数最適化アルゴリズムを開発した。このように,提案したアルゴリズムは,分類精度と計算削減の間のトレードオフを完全にナビゲートするためにノブを露出させる。最先端のCNN加速器と比較して,正確なモードにおけるSnaPEAは,それらの分類精度に影響を及ぼすことなく,様々な現代のCNNsにおいて,平均28%の高速化と16%のエネルギー削減をもたらす。分類精度における3%の損失で,平均して,畳込み層の67.8%は予測モードで操作できる。これらの層の平均高速化と省エネルギーは,それぞれ,2.02xと1.89xである。利益は最大3.59x高速化と3.14xエネルギー低減に成長した。SnaPEAの動的アプローチに対して補完的な静的剪定アプローチと比較して,提案手法は,分類精度の損失なしにコンボリューション層を横切る最大63%の高速化と49%のエネルギー削減を提供する。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
