文献

J-GLOBAL ID：202002281478221461   整理番号：20A1795343

GPGPU上の構成可能近似を用いたCANNAニューラルネットワーク加速【JST・京大機械翻訳】

CANNA neural network acceleration using configurable approximation on GPGPU

著者 (5件)： Imani Mohsen (UC San Diego) ,  Masich Max (UC San Diego) ,  Peroni Daniel (UC San Diego) ,  Wang Pushen (UC San Diego) ,  Rosing Tajana (UC San Diego)
資料名： ACM Proceedings  (ACM Proceedings)
号： ASPDAC ’18  ページ： 682-689  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ニューラルネットワークは,多くのアプリケーションで首尾よく使用されている。それらの計算量により,埋込みデバイスに実装することは困難である。ニューラルネットワークは本質的に近似的であり,従って単純化できる。本論文では,CANNAは,均一ハードウェア近似を適用する代わりに,ニューラルネットワークの内部誤差に依存するハードウェア近似のレベルを適応的に設定する段階的訓練近似を提案する。推論を加速するために,CANNAの層ベースの近似手法は,近似に対する感度の関数として,ニューラルネットワークの各層における計算を選択的に緩和する。ハードウェアサポートのために,筆者らは,最大近似誤差を生成する入力を動的に同定するハードウェアにおける構成可能な浮動点ユニットを使用し,それらを正確なモードに代えて処理する。AMDの南島GPUアーキテクチャに構成可能なFPUを統合することにより,この設計の精度と効率を評価した。著者らの実験的評価は,ベースラインGPUに関する実装と比較して,0%(2%)品質損失で4つの異なるニューラルネットワークアプリケーションを訓練するとき,CANNAが4.84×(7.13×)エネルギー節約と3.22×(4.64×)高速化を達成することを示した。推論フェーズの間,著者らの層ベースのアプローチは,4.42×(6.06×)のエネルギー効率を改善し,そして,0%(2%)品質損失を保証しながら,2.96×(3.98×)高速化をもたらした。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 簡素化 ,  *ニューラルネットワーク ,  浮動 ,  *近似法 ,  計算量 ,  省エネルギー ,  応用プログラム ,  ハードウェア ,  基準線 ,  高速化 ,  計算機アーキテクチャ ,  エネルギー効率
準シソーラス用語： *GPGPU , 【Automatic Indexing@JST】

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： GPGPU ,  近似 ,  Canna ,  ニューラルネットワーク ,  加速