基于浮栅器件的低位宽卷积神经网络研究

• 作者: 陈雅倩 黄鲁
• 来源期刊: 信息技术与网络安全
• 关键词: 卷积神经网络 量化 存算一体 Nor Flash
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 人工智能|Artificial Intelligence
• 页码范围: 38-42
• 页数: 5页
• 分类号: TP183
• 语种: 中文
• DOI: 10.19358/j.issn.2096-5133.2021.06.007

摘要

浮栅器件(Flash)能够将存储和计算的特性相结合,实现存算一体化,但是单个浮栅单元最多只能存储位宽为4 bit的数据.面向Nor Flash,研究了卷积神经网络参数的低位宽量化,对经典的AlexNet、VGGNet以及ResNet通过量化感知训练.采用非对称量化,将模型参数从32位浮点数量化至4位定点数,模型大小变为原来的1/8,针对Cifar10数据集,4位量化模型的准确率相对于全精度网络仅下降不到2％.最后将量化完成的卷积神经网络模型使用Nor Flash阵列加速.Hspice仿真结果表明,相对于全精度模型,部署在Nor Flash阵列中的量化模型精度仅下降2.25％,验证了卷积神经网络部署在Nor Flash上的可行性.