MetaML-Pro：跨阶段设计流程自动化，用于高效加速深度学习

该研究提出一种统一的框架，通过程序化优化技术与高阶合成（HLS）结合，利用贝叶斯优化自动平衡FPGA上的深度神经网络（DNN）性能、资源消耗和精度，减少人工干预，实验显示可节省92%的DSP和89%的LUT资源，优化时间减少15.6倍。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

本文提出了一个统一的框架，用于编码和自动化优化策略，以便在资源受限的硬件（如FPGA）上高效部署深度神经网络（DNN），同时保持高性能、准确性和资源效率。在这样的平台上部署DNN需要解决一个重大挑战：如何在性能、资源使用（例如DSP和LUT）和推理准确性之间取得平衡，而这通常需要大量的手动工作和领域专业知识。我们的新颖方法解决了两个核心问题：（i）编码自定义优化策略；（ii）实现跨阶段的优化搜索。具体而言，我们提出的框架将程序化的DNN优化技术与基于高级综合（HLS）的元编程无缝集成，利用先进的设计空间探索（DSE）策略（如贝叶斯优化）来自动化自上而下和自下而上的设计流程。因此，我们减少了手动干预和领域专业知识的需求。此外，该框架引入了可定制的优化、转换和控制模块，以提高DNN加速器的性能和资源效率。我们进一步形式化了一个跨阶段的受限贝叶斯优化过程，该过程将谓词-动作自下而上的反馈（通过BRANCH）与FORK/REDUCE顺序搜索相结合，实现了在软件和HLS任务之间的自动化选择、排序和调整。实验结果表明，对于某些网络，DSP使用量减少了92%，LUT使用量减少了89%，同时保持了准确性，并且与网格搜索相比，优化时间缩短了15.6倍。这些结果凸显了通过最小化工作量自动生成资源高效DNN加速器设计的潜力，从而实现了巨大的资源节省，并且探索成本可控。

人工智能摘要

人工智能生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助读者发现内容的相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。