效率与准确性：深度神经网络硬件加速器设计技术综述

深度神经网络（DNNs）在分析当今丰富的数据方面超越了其他算法。由于特定应用的安全性和延迟要求，分析数据提取应该在边缘设备上进行。然而，由于模型的高计算负载和所用参数的数量，边缘设备难以支持日益复杂的DNN。因此，边缘设备需要高效的加速器来处理DNN。然而，DNN加速器的设计仍然充满挑战，因为缺乏针对特定设计点（如能量预算、面积、解决时间和分类准确性）规定的成熟设计技术。本文通过提供基于已公布数据的大规模定量、尖端DNN加速器比较，填补了这一空白，这些数据经过技术缩放和基准标准化。分层比较通过考虑每种技术对能量、面积和解决时间的影响，促进了从以往设计中学习。此外，DNN加速器中使用的关键设计技术根据其对分类准确性的影响进行了分类。最后，我们讨论了硬件加速器，以帮助未来的设计师在效率与准确性之间考虑权衡，从而识别适合特定基准的最佳技术。