一种可配置和高效的神经网络硬件加速器内存层次结构
原文约400字，阅读约需1分钟。发表于：。我们提出了一个可配置的内存层次结构框架，旨在为深度神经网络 (DNNs) 的自适应内存访问模式提供数据，并在最小化所需内存容量的同时维持高加速器性能方面达到优化平衡。
本文介绍了利用低功耗嵌入式硬件的超高维可重构分析系统HyDRATE。该系统利用无MAC深度神经网络和超维计算加速器在边缘执行实时重新配置。通过算法、训练模型和特征提取实现超高纬度基于逻辑的分类器，并展示了性能随超维数增加而提高的情况。介绍了低功耗FPGA硬件和嵌入式软件系统，以及硬件加速器和系统延迟、功耗噪声稳健性等方面的讨论。通过与模拟系统性能比较，展示了在相同数据集上的重新配置。使用边缘的少量学习新课程，使用无梯度下降反向传播仅通过重新训练前馈超高维分类器实现该系统的重构性。
