基于浮柵器件的低位寬卷積神經網絡研究
所屬分類：技術論文
上傳者：zhoubin333
文檔大小：450 K
標簽： 卷積神經網絡 量化 存算一體
所需積分：0分積分不夠怎么辦？
文檔介紹：浮柵器件(Flash)能夠將存儲和計算的特性相結合，實現(xiàn)存算一體化，但是單個浮柵單元最多只能存儲位寬為4 bit的數(shù)據(jù)。面向Nor Flash，研究了卷積神經網絡參數(shù)的低位寬量化，對經典的AlexNet、VGGNet以及ResNet通過量化感知訓練。采用非對稱量化，將模型參數(shù)從32位浮點數(shù)量化至4位定點數(shù)，模型大小變?yōu)樵瓉淼?/8，針對Cifar10數(shù)據(jù)集，4位量化模型的準確率相對于全精度網絡僅下降不到2%。最后將量化完成的卷積神經網絡模型使用Nor Flash陣列加速。Hspice仿真結果表明，相對于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗證了卷積神經網絡部署在Nor Flash上的可行性。
現(xiàn)在下載
VIP會員，AET專家下載不扣分；重復下載不扣分，本人上傳資源不扣分。