Adatok hangszerelése a mélytanulási gyorsítókban

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.

Eredeti címe:

Data Orchestration in Deep Learning Accelerators

Könyv tartalma:

Ez a szintetizáló előadás a DNN-gyorsítókon belüli hatékony adatszervezési technikákra összpontosít. A Moore-törvény vége, a mélytanulás és más mesterséges intelligencia-alkalmazások növekvő növekedésével párosulva az egyedi mély neurális hálózatok (DNN) gyorsítóinak megjelenéséhez vezetett az energiahatékony következtetés levonásához az éles eszközökön. A modern DNN-ek több millió hiperparaméterrel rendelkeznek és több milliárd számítást foglalnak magukban; ez kiterjedt adatmozgatást tesz szükségessé a memóriából a chipen lévő feldolgozómotorokba.

Köztudott, hogy az adatmozgatás költsége ma már meghaladja a tényleges számítás költségét; ezért a DNN-gyorsítók az adatok gondos összehangolását igénylik a chipen belüli számítási, hálózati és memóriaelemek között, hogy minimalizálják a külső DRAM-hoz való hozzáférések számát. A könyv foglalkozik a DNN-adatfolyamokkal, az adatok újrafelhasználásával, a pufferhierarchiákkal, a chipre épülő hálózatokkal és az automatizált tervezési tér feltárásával.

A könyv a tömörített és ritka DNN-ekkel kapcsolatos adatszervezési kihívásokkal és a jövőbeli trendekkel zárul. A célközönség a DNN következtetésekhez nagy teljesítményű és alacsony energiaigényű gyorsítók tervezése iránt érdeklődő hallgatók, mérnökök és kutatók.