TrIM: Эффективный систолический массив для сверточных нейронных сетей скачать в хорошем качестве

TrIM: Эффективный систолический массив для сверточных нейронных сетей

TrIM: Эффективный систолический массив для сверточных нейронных сетей Сверточные нейронные сети (CNN) — это мощные модели глубокого обучения, имитирующие человеческое зрение для извлечения признаков из изображений и видео. CNN применяются в широком спектре приложений, от автономных транспортных средств до медицинской визуализации. Однако достижение высокой точности с помощью CNN требует значительных ресурсов для хранения данных и вычислений, что существенно влияет на энергоэффективность обычных процессоров и графических процессоров. Для решения этой проблемы исследуются другие архитектуры. Например, систолические массивы (SA) снижают основные затраты энергии, вызванные перемещением данных между вычислительным ядром и памятью, за счет локального повторного использования. В этом контексте TrIM — это инновационный SA, который максимизирует повторное использование данных за счет треугольного перемещения входных данных на уровне массива, тем самым минимизируя обращения к внешней памяти. В этом докладе после краткого обзора CNN будет представлен TrIM. В заключение будут обсуждены его преимущества по сравнению с предыдущими работами.