Hardware-Aware Evolutionary Approaches to Deep Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F23%3APU149510" target="_blank" >RIV/00216305:26230/23:PU149510 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-981-99-3814-8_12" target="_blank" >https://link.springer.com/chapter/10.1007/978-981-99-3814-8_12</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-981-99-3814-8_12" target="_blank" >10.1007/978-981-99-3814-8_12</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Hardware-Aware Evolutionary Approaches to Deep Neural Networks

Popis výsledku v původním jazyce

This chapter gives an overview of evolutionary algorithm (EA) based methods applied to the design of efficient implementations of deep neural networks (DNN). We introduce various acceleration hardware platforms for DNNs developed especially for energy-efficient computing in edge devices. In addition to evolutionary optimization of their particular components or settings, we will describe neural architecture search (NAS) methods adopted to directly design highly optimized DNN architectures for a given hardware platform. Techniques that co-optimize hardware platforms and neural network architecture to maximize the accuracy-energy trade-offs will be emphasized. Case studies will primarily be devoted to NAS for image classification. Finally, the open challenges of this popular research area will be discussed.

Název v anglickém jazyce

Hardware-Aware Evolutionary Approaches to Deep Neural Networks

Popis výsledku anglicky

This chapter gives an overview of evolutionary algorithm (EA) based methods applied to the design of efficient implementations of deep neural networks (DNN). We introduce various acceleration hardware platforms for DNNs developed especially for energy-efficient computing in edge devices. In addition to evolutionary optimization of their particular components or settings, we will describe neural architecture search (NAS) methods adopted to directly design highly optimized DNN architectures for a given hardware platform. Techniques that co-optimize hardware platforms and neural network architecture to maximize the accuracy-energy trade-offs will be emphasized. Case studies will primarily be devoted to NAS for image classification. Finally, the open challenges of this popular research area will be discussed.

Druh

C - Kapitola v odborné knize

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/GA21-13001S" target="_blank" >GA21-13001S: Automatizovaný návrh hardwarových akcelerátorů pro strojového učení zohledňující výpočetní zdroje</a><br>

Návaznosti

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

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název knihy nebo sborníku

Handbook of Evolutionary Machine Learning

ISBN

978-981-9938-13-1

Počet stran výsledku

30

Strana od-do

367-396

Počet stran knihy

768

Název nakladatele

Springer Nature Singapore

Místo vydání

Singapore

Kód UT WoS kapitoly

—