Главная » 2019 » Декабрь » 26 » Обзор методов ускорения нейронных сетей от Xilinx
09:14
Обзор методов ускорения нейронных сетей от Xilinx
Компания Xilinx опубликовала технический документ «FPGAs in the Emerging DNN Inference Landscape», в котором подробно описала, как создавать более эффективные нейронные сети, увеличить скорость обработки данных и снизить их энергопотребление. В документе описаны такие методы, как квантование (Quantization), прунинг (Pruning) и другие. Также описаны, направления развития ускорителей нейронных сетей.

Компания Xilinx уже не первый год развивает собственную экосистему, которая позволяет использовать её ПЛИС и SoC для ускорения работы нейронных сетей. Это и интеграция поддержки сетей в собственные продукты, и адаптация существующих сетей к имеющимся аппаратным платформам. У Xilinx имеется большой банк библиотек нейронных сетей «Model Zoo», в котором содержатся уже обученные и адаптированные для применения на ПЛИС и SoC сети. Это позволяет существенно упростить развёртывание и применение сетей в самых разных устройствах.
 


 
Но у Xilinx есть решение и для ситуации, когда разработчику нужно загрузить собственную нейронную сеть, которая ещё не приспособлена для использования в устройствах с программируемой логикой. Недавно компания Xilinx опубликовала технический документ «FPGAs in the Emerging DNN Inference Landscape», в котором подробно описала, как создавать более эффективные нейронные сети, увеличить скорость обработки данных и снизить их энергопотребление. В документе описаны такие методы, как квантование (Quantization), прунинг (Pruning) и другие. Также описаны, направления развития ускорителей нейронных сетей.

Документ содержит следующие разделы:
  • Introduction
  • A Quick Introduction to Deep Neural Networks
  • Trends in DNN Models for Inference
  • Methods for Creating More Efficient DNNs
  • Efficient Topologies
  • Pruning
  • Layer Fusion and Decomposition
  • Accuracy-Computation Trade-Offs: Examples from Quantization
  • Trends in Inference Accelerator Architectures
  • The Landscape of Inference Accelerator Architectures
  • FPGA Implementation Advantages for Efficient DNNs
  • Summary
  • References
Более подробно с этим документом можно ознакомиться по ссылке.
Просмотров: 61 | Добавил: gmlmacrogroup | Теги: Xilinx, нейронные сети | Рейтинг: 0.0/0
Всего комментариев: 1
avatar
0Спам
1 aavdeev • 21:01, 26.12.2019
И ни слова об ускорении вычисления по функции активации...
'); jQuery("form#socail_details input[name=social]").val(scurrent); jQuery("form#socail_details input[name=data]").val(data[scurrent]); updateSocialDetails(scurrent); }; jQuery('a#js-ucf-start').on('click', function(event) { event.preventDefault(); if (scurrent == 0) { window.open("//sys000.ucoz.net/cgi/uutils.fcg?a=soc_comment_auth",'SocialLoginWnd','width=500,height=350,resizable=yes,titlebar=yes'); } }); jQuery('.uauth-small-links a.login-with').on('click', function(event) { event.preventDefault(); var classList = jQuery(this).attr('class').split(' '); var social = providers[classList[1]]; if (typeof(social) != 'undefined' && social.enabled == 1){ if( social.handler ) { social.handler(social); } else {; //unetLoginWnd var newWin = window.open(social.url,"_blank",'width=640,height=500,scrollbars=yes,status=yes'); } } }); }); })(jQuery);
avatar