久久精品国产亚洲av妓女00l ,四川小少妇BBAABBAA,少妇开裆肉丝自慰流白浆

內(nèi)容簡介

　　本書針對不同應用類型，提出了兩套計算架構(gòu)，分別是面向通用神經(jīng)網(wǎng)絡(luò)近似的神經(jīng)網(wǎng)絡(luò)計算架構(gòu)RNA和面向?qū)Ｓ萌斯ぶ悄茴I(lǐng)域的神經(jīng)網(wǎng)絡(luò)計算架構(gòu)DNA。本書的三項研究工作與兩套優(yōu)化設(shè)計方法相輔相成。研究工作本身均已進行充分的實驗驗證，具備很高的實用價值。優(yōu)化設(shè)計方法不僅為研究工作中提供了有力支撐，對神經(jīng)網(wǎng)絡(luò)加速器架構(gòu)未來的研究方向同樣具有指導意義。此外，為解決神經(jīng)網(wǎng)絡(luò)計算中的訪存瓶頸問題，提出了基于數(shù)據(jù)保持時間的神經(jīng)網(wǎng)絡(luò)存儲優(yōu)化框架RANA。

作者簡介

　　涂鋒斌，2019年于清華大學微納電子系獲得博士學位，現(xiàn)于加州大學圣塔芭芭拉分校電子與計算機工程系擔任博士后研究員。涂鋒斌長期從事人工智能芯片方向的研究，連續(xù)做出世界的工作。涂鋒斌在2016年設(shè)計出一款基于可重構(gòu)計算架構(gòu)的人工智能芯片Thinker。該款芯片作為清華唯二的作品參加全國雙創(chuàng)周，獲得總理的高度贊許，先后被楊瀾訪談錄、雷鋒網(wǎng)AI科技評論和MIT科技評論報道。Thinker芯片在2017獲得ISLPED國際低功耗電子設(shè)計競賽冠軍（中國大陸首次）。截止目前，涂鋒斌已發(fā)表18篇論文，其中包括計算機體系結(jié)構(gòu)領(lǐng)域會議ISCA？

圖書目錄

第1章緒論 1
1.1 研究背景 1
1.2 研究現(xiàn)狀 3
1.2.1 神經(jīng)網(wǎng)絡(luò)算法的發(fā)展歷程 3
1.2.2 神經(jīng)網(wǎng)絡(luò)加速器的研究現(xiàn)狀 7
1.3 研究動機 10
1.4 研究思路與研究內(nèi)容 11
1.4.1 研究思路 11
1.4.2 研究內(nèi)容 12
第2章面向通用神經(jīng)網(wǎng)絡(luò)近似的神經(jīng)網(wǎng)絡(luò)計算架構(gòu)RNA 14
2.1 引言 14
2.2 問題背景 17
2.2.1 神經(jīng)網(wǎng)絡(luò)近似與加速 17
2.2.2 通用架構(gòu)模型 17
2.3 計算模式 19
2.3.1 RNA 架構(gòu)概覽 19
2.3.2 FP 計算模式 20
2.3.3 NE 計算模式 21
2.3.4 CE 計算模式 23
2.3.5 調(diào)度框架 24
2.4 RNA 架構(gòu)設(shè)計 31
2.4.1 RNA 架構(gòu)的PE 設(shè)計 31
2.4.2 RNA 架構(gòu)的互連設(shè)計 31
2.4.3 RNA 架構(gòu)的控制器設(shè)計 34
2.5 實驗結(jié)果 37
2.5.1 實驗設(shè)置 37
2.5.2 RNA 架構(gòu)的版圖和硬件指標 38
2.5.3 RNA 架構(gòu)的性能分析 39
2.5.4 RNA 架構(gòu)的參數(shù)探索 47
2.6 小結(jié) 50
第3章面向?qū)Ｓ萌斯ぶ悄茴I(lǐng)域的神經(jīng)網(wǎng)絡(luò)計算架構(gòu)DNA 51
3.1 引言 51
3.2 問題背景 53
3.2.1 CNN 模型 53
3.2.2 以CNN 加速器為中心的計算系統(tǒng)架構(gòu) 55
3.2.3 CNN 加速的兩大執(zhí)行目標和挑戰(zhàn) 56
3.3 計算模式 57
3.3.1 計算模式概覽 57
3.3.2 數(shù)據(jù)復用模式 57
3.3.3 卷積映射方法 66
3.3.4 對全連接層的支持 70
3.4 DNA 架構(gòu)設(shè)計 71
3.4.1 可重構(gòu)數(shù)據(jù)通路設(shè)計 71
3.4.2 可重構(gòu)卷積引擎設(shè)計 73
3.4.3 DNA 架構(gòu)的工作流程和調(diào)度框架 77
3.5 實驗結(jié)果 79
3.5.1 實驗設(shè)置 79
3.5.2 DNA 架構(gòu)的版圖和硬件指標 79
3.5.3 DNA 架構(gòu)的訪存和整體能耗分析 80
3.5.4 DNA 架構(gòu)的性能分析 84
3.5.5 DNA 架構(gòu)與國際工作的比較 85
3.5.6 基于DNA 架構(gòu)的人工智能計算芯片Thinker 88
3.6 小結(jié) 90
第4章基于數(shù)據(jù)保持時間的神經(jīng)網(wǎng)絡(luò)存儲優(yōu)化框架RANA 92
4.1 引言 92
4.2 問題背景 95
4.2.1 CNN 模型 95
4.2.2 CNN 加速器 96
4.2.3 CNN 加速器的緩存容量問題 97
4.2.4 eDRAM 及數(shù)據(jù)保持問題 98
4.3 研究動機 99
4.3.1 實驗平臺 99
4.3.2 問題分析 100
4.3.3 優(yōu)化機會 102
4.4 RANA 框架 102
4.4.1 RANA 框架概覽 102
4.4.2 基于數(shù)據(jù)保持時間的訓練方法 104
4.4.3 混合計算模式 107
4.4.4 刷新優(yōu)化的eDRAM 控制器 113
4.5 實驗結(jié)果 114
4.5.1 實驗設(shè)置 114
4.5.2 對RANA 框架的評估 115
4.5.3 在DaDianNao 上的擴展性分析 120
4.6 小結(jié) 121
第5章總結(jié)與展望 123
5.1 工作總結(jié) 123
5.2 未來工作展望 124
參考文獻 126
在學期間發(fā)表的學術(shù)論文與研究成果 137
致謝 139