hardware-friendly | BriefGPT

关键词hardware-friendly

搜索结果 - 6

Shift-ConvNets：小卷积核具有大核效应
最近的研究发现，视觉变换器（ViTs）的出色性能得益于大的接受域。因此，大型卷积核设计成为了使卷积神经网络（CNNs）再次伟大的理想解决方案。然而，典型的大卷积核证明是不符合各种硬件平台的操作符，导致不兼容。因此，简单地扩大卷积核尺寸是不明
PDF5 months ago
Spikingformer：基于脉冲的剩余学习用于基于 Transformer 的脉冲神经网络
本研究提出了一种硬件友好的、基于残差设计的、全新的、纯变压器型脉冲神经网络 ——Spikingformer，它能够避免非脉冲计算并使能耗降低 60.34％。Spikingformer 在图像分类任务的表现优于之前的纯 SNN，并且是首次开发
PDFa year ago
通过限制 Tsetlin 机子句大小建立简明的逻辑模式
本研究介绍了一种新的 Tsetlin 机器学习算法改进版 - 受限子句集 TMs（CSC-TMs），它可以在硬件友好的情况下提高准确性，并减少计算机逻辑的开销。我们在表格数据、自然语言文本、图像和棋盘游戏方面进行分类、聚类和回归实验。结果表
PDFa year ago
PERMDNN: 带有置换对角矩阵的高效压缩 DNN 架构
本文提出了 PermDNN，一种新的方法来生成和执行硬件友好的结构稀疏 DNN 模型，使用置换对角线矩阵。与当前方法相比，PermDNN 具有更好的压缩效果、灵活的压缩比、简单的算术计算和全利用输入稀疏性的优势，并取得了更高的吞吐量和更好的
PDF4 years ago
延迟感知的可微神经架构搜索
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
PDF4 years ago
NIPS深度神经网络中的结构稀疏学习
本文提出了一种结构稀疏学习方法，用于规范深度神经网络的结构和减少计算开销，通过 SSL 算法，可以在 CPU 和 GPU 设备中获得 5.1x 和 3.1x 的卷积层计算加速，同时可以通过规范 DNN 结构来提高分类准确性。
PDF8 years ago