Detail publikace
Energy Complexity Model for Convolutional Neural Networks
energy complexity, neural networks
Energetická účinnost hardwarových implementací konvolučních neuronových sítí
(CNN) je rozhodující pro jejich široké nasazení v mobilních zařízeních s nízkou
spotřebou. Nedávno bylo navrženo množství metod poskytujících energeticky
optimální mapování CNN na různé hardwarové akcelerátory. Jejich odhadovaná
spotřeba energie souvisí s konkrétními implementačními detaily a hardwarovými
parametry, což neumožňuje strojově nezávislý průzkum energetických opatření CNN.
V tomto článku představujeme zjednodušený teoretický model energetické složitosti
pro CNN, založený pouze na dvouúrovňové hierarchii paměti, která asymptoticky
zachycuje všechny důležité zdroje spotřeby energie různých implementací hardwaru
CNN. V tomto modelu počítáme energetickou náročnost pro dva běžné datové toky,
které podle statistických testů asymptoticky velmi dobře odpovídají spotřebě
energie odhadované programem Time/Accelergy pro konvoluční vrstvy na hardwarových
platformách Simba a Eyeriss. Model otevírá možnost prokázat zásadní limity
energetické účinnosti hardwarových akcelerátorů CNN.
@inproceedings{BUT185188,
author="ŠÍMA, J. and VIDNEROVÁ, P. and MRÁZEK, V.",
title="Energy Complexity Model for Convolutional Neural Networks",
booktitle="Artificial Neural Networks and Machine Learning - ICANN 2023: 32nd International Conference on Artificial Neural Networks",
year="2023",
series="Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)",
pages="186--198",
publisher="Springer Nature Switzerland AG",
address="Heraklion",
doi="10.1007/978-3-031-44204-9\{_}16",
isbn="978-3-031-44203-2"
}