一种具有极限边缘智能设备学习能力的精确可扩展 RISC-V DNN 处理器
原文中文,约400字,阅读约需1分钟。发表于: 。提出了一种支持多种精度的定点深度神经网络推断和增强设备上学习能力的精度可伸缩的 RISC-V DNN 处理器,通过改进硬件资源利用率,显著提高推断吞吐量和能效,并实现 16.5 倍更高的设备上学习的浮点吞吐量。
本文提出了一种在微控制器上部署低误差深度神经网络的方法,通过混合低位宽压缩和均匀量化,以整数运算建模推理图,摆脱了资源受限的内存和计算限制。使用量化感知的重训练将虚假量化图转换为整数推理模型,并使用ICN图层将该模型部署到只有2MB的FLASH存储器和512kB的RAM设备上。实验结果表明,Top1精度提高了8%,达到了68%。