深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,推動(dòng)了人工智能領(lǐng)域的革命性進(jìn)步,同時(shí)也改變了人們的生產(chǎn)生活方式,在廣泛的應(yīng)用領(lǐng)域中取得了令人矚目的成果。這些深度神經(jīng)網(wǎng)絡(luò)通常擁有很大規(guī)模,對(duì)硬件平臺(tái)的計(jì)算資源和存儲(chǔ)資源的需求也十分龐大,限制了在實(shí)際應(yīng)用中的部署范圍,尤其是在一些移動(dòng)端或者嵌入式等資源受限平臺(tái)上的使用。由于摩爾定律的發(fā)展速度正在逐漸放緩,同時(shí)神經(jīng)網(wǎng)絡(luò)算法仍然在以很快的速度進(jìn)行發(fā)展和演化,單獨(dú)地從硬件層面或者軟件層面進(jìn)行神經(jīng)網(wǎng)絡(luò)的加速和優(yōu)化,很難有效地解決資源受限的問(wèn)題。本文采用軟硬件協(xié)同的方法,分別從硬件適配軟件、軟硬件耦合優(yōu)化、軟件適配硬件三個(gè)方面進(jìn)行深入的研究,主要成果和創(chuàng)新點(diǎn)包括:·在硬件適配軟件方面,本文提出一種數(shù)據(jù)為中心的卷積神經(jīng)網(wǎng)絡(luò)加速架構(gòu)。架構(gòu)采用一種全新的計(jì)算數(shù)據(jù)流,通過(guò)對(duì)算法計(jì)算中數(shù)據(jù)重用模式的利用,有效地減少片上的總數(shù)據(jù)傳輸量以及單次數(shù)據(jù)傳輸量。針對(duì)卷積操作進(jìn)行優(yōu)化有效地實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算性能加速,專用架構(gòu)的設(shè)計(jì)實(shí)現(xiàn)大幅度的功耗和面積的開(kāi)銷降低�！ぴ谲浻布詈蟽�(yōu)化方面,本文提出一種基于Re RAM的稀疏神經(jīng)網(wǎng)絡(luò)加速架構(gòu)SNrram。SNrram在軟件層面采用對(duì)硬件平臺(tái)更為友...

【文章頁(yè)數(shù)】：159 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖6.11QGAN量化下的DCGAN在

第6章QGAN:生成式對(duì)抗網(wǎng)絡(luò)量化(a)DCGAN原始模型(b)LSGAN原始模型(c)WGAN-GP原始模型(d)DCGAN1bit-D&2bit-G(e)LSGAN3bit-D&3bit-G(f)WGAN-GP4bitD&4bitG圖6.10QGAN量化下的不同GAN模型在C....

本文編號(hào)：3982178