加速边缘设备上的二次幂量化
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了边缘设备上二次幂（PoT）量化的高效性不足问题。我们设计了基于移位的处理元件（shift-PE）和一个新的开源加速器PoTAcc，旨在提高PoT量化深度神经网络（DNNs）的性能。实验结果显示，PoTAcc在资源受限的边缘设备上相较于传统乘法加速器实现了1.23倍的速度提升和1.24倍的能量降低。
文章评估了边缘计算和微控制器上的量化及对抗样本的有效性。量化会影响决策边界和梯度，可能增强或减弱噪声。输入预处理对小扰动有效，但对大扰动效果差。基于训练的防御方法能增加决策边界距离，量化后仍有效，但需解决量化偏移和梯度失调问题，以应对对抗样本的迁移性。
