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。
人工ニューラルネットワーク(NN)は,多くの分類と回帰問題を解決するために効果的に使用することができて,自然言語処理(NLP)とコンピュータビジョン(CV)の応用領域において最先端の性能を提供した。しかしながら,これらのネットワークの膨大な量のデータ移動と過度の畳込み作業負荷は,大規模なモバイルと埋め込み生産を妨げる。従って,これらのモデルは一般的に浮動小数点支持なしでエネルギー効率の良い加速器にマッピングされる。重みとデータ量子化は,高精度モデルを効率的な整数ベースのプラットフォームに展開する有効な方法である。本論文では,広い蓄積レジスタのないプラットフォームの量子化法を提案した。与えられたアキュムレータサイズに対する重みと入力データのビット幅を最大化する2つの制約を導入した。これらの制約は個々の層の重みとデータ分布に関する知識を利用する。これらの制約を用いて,良好な不動点ネットワーク近似を見出すための層毎量子化発見を提案した。考慮すべき構成の数を減らすために,利用可能なアキュムレータビットを完全に利用する解のみを試験した。16ビット蓄積器は,CIFAR-10とILSVRC2012画像分類ベンチマーク上の浮動小数点ベースラインの1%以内でトップ-1分類精度を得ることができることを実証した。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】