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。
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】