10.16526/j.cnki.11-4762/tp.2023.06.027
神经网络训练处理器的浮点运算优化架构
针对神经网络训练加速器中存在权重梯度计算效率低的问题,设计了一种高性能卷积神经网络(CNN)训练处理器的浮点运算优化架构;在分析CNN训练架构基本原理的基础上,提出了包括32 bit、24 bit、16 bit和混合精度的训练优化架构,从而找到适用于低能耗且更小尺寸边缘设备的最佳浮点格式;通过现场可编程门阵列(FPGA)验证了加速器引擎可用于MNIST手写数字数据集的推理和训练,利用24 bit自定义浮点格式与16 bit脑浮点格式相结合构成混合卷积24 bit浮点格式的准确率可达到93%以上;运用台积电55 nm芯片实现优化混合精度加速器,训练每幅图像的能耗为8.51μJ.
卷积神经网络、浮点运算、加速器、权重梯度、处理器
31
TP183;TN791(自动化基础理论)
中国绿发投资集团有限公司科技项目CGDG529000220008
2023-07-03(万方平台首次上网日期,不代表论文的发表时间)
共7页
176-182