hardware design | BriefGPT - AI 论文速递

关键词hardware design

搜索结果 - 27

MMBEANNA: 用于神经网络加速的二进制能力架构
该研究提出并评估了一种用于神经网络加速的二进制启用体系结构（BEANNA），该体系结构采用 16x16 systolic array 矩阵乘法器和可同时处理浮点数和二进制乘加的处理单元。该体系结构可以在高精度浮点数和二进制网络层之间无缝切换
PDF3 years ago
跨栈 GPU 机器学习模型的性能剖析与分析（XSP）
本文提出了一种跨堆栈的性能分析方法（XSP），通过分析不同来源的数据，依托分布式跟踪等技术，能更全面地展示深度学习模型的特征，并且经过试验证明，该方法可以有效辅助硬件设计和系统优化。
PDF5 years ago
神经结构的硬件 / 软件协同探索
该研究提出了一种新颖的硬件和软件协同探索框架，用于高效的神经架构搜索。该框架同时探索体系结构搜索空间和硬件设计空间，旨在找到最佳的神经架构和硬件配置，以同时达到最大的测试精度和硬件效率。该方法通过强化学习控制器，可以在 ImageNet 数
PDF5 years ago
利用 MAESTRO 的数据中心方法理解 DNN 数据流的重用性、性能和硬件成本
本文提出了一种基于数据指令的指导方式，可以较为简洁地指定深度神经网络（DNN）加速器的数据流。制定一个优化的数据流对于发挥硬件设备的利用率和能量效率至关重要，但是对于数据流的选择和后果还存在理解不足的情况。基于 MAESTRO 成本模型，本
PDF6 years ago
NIPS探索卷积神经网络中稀疏结构的规律性
本研究分析稀疏性对深度神经网络加速器的设计效率和预测精度的影响，证明了相对于细粒度稀疏性，粗粒度稀疏性能够在保持同等精度的前提下获得更好的压缩率和更高效的硬件设计
PDF7 years ago
深度神经网络的有效处理：教程和概述
本文综述了目前深度神经网络的应用及其在计算机视觉、语音识别、机器人等 AI 任务中的高精度表现，同时也阐述了深度神经网络大规模部署所面临的高算力成本和能效问题，并提出了硬件设计、算法优化等多种解决方案以提高能效和算力，最后对比了各种深度神经
PDF7 years ago
机器学习的硬件：挑战与机遇
本文讨论了如何在各种硬件设计级别上解决机器学习中遇到的挑战，主要包括机器学习、传感器数据、嵌入式处理、能源消耗和硬件设计。
PDF8 years ago