硬件适应元学习在 NAS 中用于高效延迟预测的帮助
本文提出了一种基于零成本代理的搜索空间无关神经网络编码方法,以实现对多个任务、搜索空间和硬件设备的准确性和延迟预测进行多任务、多搜索空间和多硬件的自适应,从而在提高端到端样本效率方面取得了显著的效果。
Jun, 2023
通过硬件感知延迟剪枝(HALP)将结构剪枝作为全局资源分配优化问题,同时控制延迟在预定义的预算下最大化准确性。 HALP 使用延迟查找表来跟踪延迟减少潜力,使用全局显着性得分来评估准确度降低,并可以在剪枝期间非常高效地评估这两个指标,使我们能够在目标约束下重构全局结构剪枝问题,从而通过我们的增强型背包求解器解决问题,从而使 HALP 在剪枝效果和准确性效率平衡方面超越以前的工作。
Oct, 2021
本篇论文提出了一种基于 MAPLE-X 的 DNN 延迟估计技术,它将显式先验知识与硬件设备和 DNN 架构延迟结合,以更好地考虑模型稳定性和鲁棒性,并在嵌入式视觉应用程序的 Intel 处理器等不同类型的设备上获得 5%的 MAPLE 改进和 9%的 HELP 改进。
May, 2022
通过在优化中添加可微延迟损失项,使搜索过程能够在准确性和延迟之间进行权衡,并通过延迟预测的核心来实现,该核心将每个网络架构编码并馈送到多层回归器中。我们的方法能够降低 20%的延迟同时保持准确性,且易于转移到其他硬件平台或其他不能微分的因素上进行优化。
Jan, 2020
本文提出一种基于延迟单调性的硬件感知神经架构搜索方法,通过利用搜索的代理设备在新设备上的可重用性和代理适应技术显著提高了单调性,仅使用一个代理设备即可找到接近 Pareto 最优架构,避免了为每个设备构建延迟预测器的高昂成本。
Nov, 2021
本论文提出了 MAPLE-Edge,一个边缘设备定向的 MAPLE 扩展版本,它通过使用硬件 - 运行时描述符,训练架构 - 延迟回归网络来实现对边缘设备的延迟预测,与 MAPLE 相比,MAPLE-Edge 可以使用更少的 CPU 性能计数器来描述运行时和目标设备平台。同时,MAPLE-Edge 表现出比现有方法更高的延迟预测精度,并且可以很好地推广到跨运行时的设备。此外,作者还证明了通过从目标设备收集额外的样本,可以提高算法的性能。
Apr, 2022
该论文综述了当前关于硬件感知神经架构搜索的研究,包括搜索空间,搜索策略,加速技术和硬件成本估计策略。研究者采用多目标优化算法来解决神经架构复杂,导致在 IoT,移动和嵌入式系统等资源受限的平台上部署困难的问题,并讨论了相关算法及策略的挑战和局限性,同时为未来的研究提供参考,这是首篇针对硬件感知神经架构搜索的论文综述。
Jan, 2021
提出了一种在单个标准训练时间内将用户定义的内存和延迟约束融入不同 iable NAS 优化方法的新方法,该方法在五个物联网相关基准测试中进行了评估,包括 MLPerf Tiny 套件和 Tiny ImageNet,在仅一次搜索中降低了内存和延迟分别达到 87.4% 和 54.2%,同时保证 TinyML 的最新手动调优深度神经网络的非劣性精度。
Oct, 2023
提出了一种基于图卷积网络(GCN)的性能预测器,用于实现高效的硬件感知神经架构搜索(BRP-NAS)。与以往的方法不同,该方法重视模型之间的二元关系和迭代数据选择策略,实现了更高效的样本利用率。研究表明,该方法在多项飞行器搜索领域中的性能表现均优于现有方法,并呼吁人们重视准确的时延估计。
Jul, 2020