Accelerating Backward Convolution of Convolutional Neural Networks on BWDSP
Notice bibliographique
Résumé
Convolutional neural network (CNN), a well-known deep learning architecture extended from articial neural network, has been extensively applied in many applications, which includes image recognition, text classification and robot vision, etc. Inparticular, quite a few inference accelerators have been proposed based on several embedded systems, such as FPGA, ASIC and DSP platforms as for their advantages of fast development round, reconfigurability and high performance, while have less attention to the backpropagation of CNN based on Edge/Embedded System. It is well known that backpropagation is very demanding on hardware resources, and the training platform should have large bandwidth and enough computing resources. That's why it is very strict with the performance requirements. As a result, we focus on the backward convolution of deep CNN in this paper, implement and optimize a deconvolutional alogrithm with loop unrolling, software-pipelined and data partition in multi-macro techniques based on a digital signal processing, combined with its(BWDSP) architecture and instruction features. The experimental results show that our method achieves a performance of 11.07GFLOPS with one core under 500MHz working clock frequency. Then we take VGGNet-19 as a case study to verify our method's effectiveness and compare the efficiency between the accelerator and CPU(Intel Celeron CPU 1005M(@1.90GHz)). Furthermore, we compare it to previous approaches in the final, it turns out that our implementation outperforms better than CPU and FPGA with equivalent computing resources and can be used to deal with scenes with continuous learning requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».