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。
最近,深いニューラルネットワークベースのアプローチが,画像とビデオ認識から自然言語処理までの範囲の多くの分野で不可欠なツールとして出現した。しかし,このような新しく開発されたネットワークの大きなサイズは,基礎となる処理ハードウェアへのスループットとエネルギーの挑戦の両方をもたらす。これは,自己駆動自動車やスマート都市のような多くの有望な応用に対する主要な段階的なブロックになる可能性がある。既存の研究は,不必要なDNN計算(ゼロ値演算と乗算)を避けるために,入力ニューロンからゼロを雑草にすることを提案する。しかし,ゼロ除去技術が適用されている場合でも,多くの出力ニューロンが依然として有効でないことを観測した。これらの非有効出力ニューロンは,それらの値をその後の層に通過させることができなかった。これは,これらの出力ニューロンに関連するすべての計算(ゼロ値および非ゼロ値演算および乗算を含む)が,将来性があり,無駄であることを意味している。従って,非有効出力ニューロンを予測することにより,DNN実行の性能と効率を大幅に改善する機会があり,従って,これらの非有効出力ニューロン上でのスキップによる将来の計算を完全に避けることができる。そうするために,著者らは,精度損失なしで二段階の予測ベースのDNN実行モデルを提案した。また,柔軟性を改善し,面積オーバーヘッドを最小化するために,予測と実行段階の両方に対して,均一直列処理要素(USPE)を提案した。処理スループットを改善するために,USPEのスケールアウト設計をさらに示した。一組の最先端のDNNs上での評価結果は,提案した設計が従来の加速器に比べて平均で2.5X高速化と1.9xエネルギー効率を達成することを示した。さらに,著者らの設計を積み重ねることによって,それぞれ1.9xと2.0Xによって,CnvlutinとStripesを改良することができた。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】