Detail publikace
Neural Architecture Search and Hardware Accelerator Co-Search: A Survey
Artificial neural networks, Accelerator architectures, Design optimization, Optimization methods, Machine learning, Image classification, Computer aided engineering, Approximation methods, Evolutionary computation, Digital circuits
Hlubokéneuronové sítě (DNN) nyní dominují v nejnáročnějších aplikacích strojovéhoučení. Vzhledem k tomu, že DNN mohou mít složité architektury s milionytrénovatelných parametrů (tzv. vah), je jejich návrh a trénování obtížné i provysoce kvalifikované odborníky. S cílem snížit úsilí návrhářů bylyvyvinuty metody hledání architektur neuronových sítí (NAS), které automatizujícelý proces návrhu. Metody NAS typicky kombinují vyhledávání v prostorukandidátních architektur a optimalizaci (učení) vah pomocí gradientní metody. Vtomto článku se zabýváme klíčovými elementy takových metod NAS, které v různémíře cílí na hardwarovou implementaci výsledných DNN. Metody NAS jsme rozdělilido tří hlavních tříd: jedno-kriteriální NAS (neberou v úvahu hardwarovourealizaci), NAS optimalizující pro cílový hardware (DNN je optimalizována prokonkrétní hardwarovou platformu) a NAS optimalizující neuronovou síť ihardwarovou platformu (hardware je přímo optimalizován v rámci NAS). Vesrovnání s předchozími přehledovými články klademe důraz na metody NAS používajícívícekriteriální přístup, a zaměřujeme se na popis metod souběžné optimalizaceneuronové sítě a hardwarové platformy. Protože většina článků z této oblasti studujeNAS pro návrh klasifikátoru obrazů pomocí konvolučních neuronových sítí, jetímto směrem orientován i náš přehledový článek. Po přečtení článku by mělčtenář porozumět, proč a jak se metody NAS provádějící souběžně optimalizaci neuronovésítě a hardwarové platformy v současnosti používají pro vytváření špičkovýchimplementací DNN.
@article{BUT175853,
author="Lukáš {Sekanina}",
title="Neural Architecture Search and Hardware Accelerator Co-Search: A Survey",
journal="IEEE Access",
year="2021",
volume="9",
number="9",
pages="151337--151362",
doi="10.1109/ACCESS.2021.3126685",
issn="2169-3536",
url="https://ieeexplore.ieee.org/document/9606893"
}