AdequateDL — Accélérateurs Approximatifs pour Apprentissage Profond

Les réseaux de neurones convolutionnels pour l'apprentissage profond reçoivent actuellement beaucoup d'attention de la part des industriels et des universitaires. Cependant, la puissance de calcul nécessaire à l’exécution de réseaux de neurones est souvent hors de portée des dispositifs embarqués de faible puissance et génère un coût important lorsque ceux-ci sont exécutés par des datacenters. Dans ce contexte, le calcul approximatif améliore considérablement les performances et l'efficacité énergétique, tout en conservant une qualité de résultats suffisante. AdequateDL explorera comment les approximations peuvent améliorer les performances de l'accélérateur matériel dans les applications basées sur l’apprentissage profond. Les résultats comprennent un cadre pour l'exploration de la précision et la démonstration de gains de performance de plusieurs ordres de grandeur grâce aux accélérateurs matériels adéquats proposés par rapport aux plates-formes de calcul CPU / GPU classiques.