TypeCNN: CNN Development Framework With Flexible Data Types

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F19%3APU132056" target="_blank" >RIV/00216305:26230/19:PU132056 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.fit.vut.cz/research/publication/11854/" target="_blank" >https://www.fit.vut.cz/research/publication/11854/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.23919/DATE.2019.8714855" target="_blank" >10.23919/DATE.2019.8714855</a>

Jazyk výsledku

angličtina

Název v původním jazyce

TypeCNN: CNN Development Framework With Flexible Data Types

Popis výsledku v původním jazyce

The rapid progress in artificial intelligence technologies based on deep and convolutional neural networks (CNN) has led to an enormous interest in efficient implementations of neural networks in embedded devices and hardware. We present a new software framework for the development of (approximate) convolutional neural networks in which the user can define and use various data types for forward (inference) procedure, backward (training) procedure and weights. Moreover, non-standard arithmetic operations such as approximate multipliers can easily be integrated into the CNN under design. This flexibility enables to analyze the impact of chosen data types and non-standard arithmetic operations on CNN training and inference efficiency. The framework was implemented in C++ and evaluated using several case studies. 

Název v anglickém jazyce

TypeCNN: CNN Development Framework With Flexible Data Types

Popis výsledku anglicky

The rapid progress in artificial intelligence technologies based on deep and convolutional neural networks (CNN) has led to an enormous interest in efficient implementations of neural networks in embedded devices and hardware. We present a new software framework for the development of (approximate) convolutional neural networks in which the user can define and use various data types for forward (inference) procedure, backward (training) procedure and weights. Moreover, non-standard arithmetic operations such as approximate multipliers can easily be integrated into the CNN under design. This flexibility enables to analyze the impact of chosen data types and non-standard arithmetic operations on CNN training and inference efficiency. The framework was implemented in C++ and evaluated using several case studies. 

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA19-10137S" target="_blank" >GA19-10137S: Navrhování a využívání knihoven aproximativních obvodů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Design, Automation and Test in Europe Conference

ISBN

978-3-9819263-2-3

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

292-295

Název nakladatele

European Design and Automation Association

Místo vydání

Florence

Místo konání akce

Florencie

Datum konání akce

25. 3. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000470666100053