Hardware-Aware Evolutionary Approaches to Deep Neural Networks
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
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)
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—