SCNN

Les réseaux de neurones convolutionnels (CNN) sont devenus une technologie fondamentale pour l'apprentissage automatique. La haute performance et l'extrême efficacité énergétique sont critiques pour les déploiements de CNN, en particulier sur des plateformes mobiles telles que les véhicules autonomes, les caméras et les assistants personnels électroniques. Cet article introduit l'architecture de l'accélérateur Sparse CNN (SCNN), qui améliore la performance et l'efficacité énergétique en exploitant les poids à valeur zéro qui résultent de l'élagage du réseau pendant l'entraînement et les activations à valeur zéro qui proviennent de l'opérateur ReLU commun. Plus précisément, SCNN utilise un nouveau flux de données qui permet de maintenir les poids et les activations éparses dans un encodage compressé, ce qui élimine les transferts de données inutiles et réduit les besoins de stockage. De plus, le flux de données SCNN facilite la livraison efficace de ces poids et activations à un tableau de multiplicateurs, où ils sont largement réutilisés ; l'accumulation des produits est effectuée dans un nouveau tableau d'accumulateurs. Sur des réseaux de neurones contemporains, SCNN peut améliorer la performance et l'énergie d'un facteur de 2.7x et 2.3x, respectivement, par rapport à un accélérateur CNN dense comparativement provisionné.