Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.21371

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2506.21371 (cs)
[提交于 2025年6月26日 ]

标题: MAx-DNN:用于高效能DNN硬件加速器的多级算术近似

标题: MAx-DNN: Multi-Level Arithmetic Approximation for Energy-Efficient DNN Hardware Accelerators

Authors:Vasileios Leon, Georgios Makris, Sotirios Xydis, Kiamal Pekmestzi, Dimitrios Soudris
摘要: 如今,深度神经网络(DNN)架构的快速增长已使其成为提供先进机器学习任务的默认方法,具有出色的准确性。 针对低功耗DNN计算,本文研究了DNN工作负载的细粒度错误弹性与硬件近似技术之间的相互作用,以实现更高的能源效率。 利用最先进的ROUP近似乘法器,我们根据我们的层、滤波器和内核级别的方法,系统地探索它们在网络中的细粒度分布,并检查它们对准确性和能耗的影响。 我们在CIFAR-10数据集上使用ResNet-8模型来评估我们的近似方法。 与基线量化模型相比,所提出的解决方案在最多4%的准确率损失下,可获得高达54%的能耗节省,同时与最先进的DNN近似方法相比,它提供了2倍的能耗节省且准确率更好。
摘要: Nowadays, the rapid growth of Deep Neural Network (DNN) architectures has established them as the defacto approach for providing advanced Machine Learning tasks with excellent accuracy. Targeting low-power DNN computing, this paper examines the interplay of fine-grained error resilience of DNN workloads in collaboration with hardware approximation techniques, to achieve higher levels of energy efficiency. Utilizing the state-of-the-art ROUP approximate multipliers, we systematically explore their fine-grained distribution across the network according to our layer-, filter-, and kernel-level approaches, and examine their impact on accuracy and energy. We use the ResNet-8 model on the CIFAR-10 dataset to evaluate our approximations. The proposed solution delivers up to 54% energy gains in exchange for up to 4% accuracy loss, compared to the baseline quantized model, while it provides 2x energy gains with better accuracy versus the state-of-the-art DNN approximations.
评论: 在第13届IEEE LASCAS会议上发表
主题: 机器学习 (cs.LG) ; 硬件架构 (cs.AR)
引用方式: arXiv:2506.21371 [cs.LG]
  (或者 arXiv:2506.21371v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.21371
通过 DataCite 发表的 arXiv DOI(待注册)
期刊参考: 13th IEEE Latin America Symposium on Circuits and System (LASCAS), 2022
相关 DOI: https://doi.org/10.1109/LASCAS53948.2022.9789055
链接到相关资源的 DOI

提交历史

来自: Vasileios Leon Dr. [查看电子邮件]
[v1] 星期四, 2025 年 6 月 26 日 15:21:12 UTC (388 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AR

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号