TY -的A2 -古普塔,Suneet Kumar盟——Rapuano埃米利奥盟——Pacini,托马索盟——Fanucci卢卡PY - 2022 DA - 2022/05/11 TI -岗位量化方法Fixed-Point-Based FPGA和ASIC的设计硬件加速器LSTM /格勒乌算法SP - 9485933六世- 2022 AB -复发性神经网络(RNNs)已经成为语音识别等任务的重要工具,文本生成或自然语言处理。然而,他们的推理可能涉及数十亿美元的操作和大量的参数会导致大的存储大小和运行时内存使用。这些原因阻碍了这些模型的采用实时边缘应用程序。现场可编程门阵列(fpga)和专用集成电路(asic)已成为有前途的解决方案,这些算法的硬件加速,由于他们的定制程度计算数据路径和内存子系统,这使得它们的最大利用压缩技术的关心,定时和功耗。与广泛的压缩和量化研究平原前馈神经网络在文献中,很少有人注意减少RNNs的计算资源需求。这项工作提出了一种新的有效方法RNNs岗位量化的。特别是,我们专注于长期短期记忆的量子化(LSTM) RNNs和封闭的单元(格勒乌)RNNs复发。提出量化策略是一个详细的指南的设计定制的硬件加速器LSTM / GRU-based算法在FPGA上实现或ASIC设备只使用定点算术。我们应用方法LSTM /格勒乌模型pretrained IMDb上的情绪分类数据集和潘树图资料库语言建模数据集,从而比较每个量化模型和其浮点。结果显示实现内存占用减少高达90%的可能性在两种情况下,获得不到1%的损失在困惑的精度,即使很小的进步每一指标,分别。 The results are presented showing the various trade-offs between memory footprint reduction and accuracy changes, demonstrating the benefits of the proposed methodology even in comparison with other works from the literature. SN - 1687-5265 UR - https://doi.org/10.1155/2022/9485933 DO - 10.1155/2022/9485933 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -