神经网络软硬件协同加速关键技术
发布时间:2024-05-25 13:38
深度神经网络的快速发展,推动了人工智能领域的革命性进步,同时也改变了人们的生产生活方式,在广泛的应用领域中取得了令人瞩目的成果。这些深度神经网络通常拥有很大规模,对硬件平台的计算资源和存储资源的需求也十分庞大,限制了在实际应用中的部署范围,尤其是在一些移动端或者嵌入式等资源受限平台上的使用。由于摩尔定律的发展速度正在逐渐放缓,同时神经网络算法仍然在以很快的速度进行发展和演化,单独地从硬件层面或者软件层面进行神经网络的加速和优化,很难有效地解决资源受限的问题。本文采用软硬件协同的方法,分别从硬件适配软件、软硬件耦合优化、软件适配硬件三个方面进行深入的研究,主要成果和创新点包括:·在硬件适配软件方面,本文提出一种数据为中心的卷积神经网络加速架构。架构采用一种全新的计算数据流,通过对算法计算中数据重用模式的利用,有效地减少片上的总数据传输量以及单次数据传输量。针对卷积操作进行优化有效地实现卷积神经网络的计算性能加速,专用架构的设计实现大幅度的功耗和面积的开销降低。·在软硬件耦合优化方面,本文提出一种基于Re RAM的稀疏神经网络加速架构SNrram。SNrram在软件层面采用对硬件平台更为友...
【文章页数】:159 页
【学位级别】:博士
【部分图文】:
本文编号:3982178
【文章页数】:159 页
【学位级别】:博士
【部分图文】:
图6.11QGAN量化下的DCGAN在
第6章QGAN:生成式对抗网络量化(a)DCGAN原始模型(b)LSGAN原始模型(c)WGAN-GP原始模型(d)DCGAN1bit-D&2bit-G(e)LSGAN3bit-D&3bit-G(f)WGAN-GP4bitD&4bitG图6.10QGAN量化下的不同GAN模型在C....
本文编号:3982178
本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/3982178.html