摘要：随着人工智能在嵌入式平台上的应用,k均值聚类算法作为人工智能方法的基础,促使其在嵌入式平台上实现,而能耗是制约算法在嵌入式平台上实现的关键。为了降低k均值聚类在嵌入式平台上的能耗,提出一种针对k均值聚类的跨层精度自动调节的近似计算方法。首先,分别从数据点到质心的距离和数据点变化趋势两个方面对迭代过程进行约束,提出精度自动调节的方法;然后,从结构级设计外部存储器的数据重组与访问方法,实现存储器的近似访问;设计精度自动调节的近似加法器与乘法器,最终实现k均值聚类算法的近似计算。实验结果表明,这种近似计算方法在基本不影响聚类质量的前提下,与精确计算相比较可降低55%~58%的能耗,节省能耗的比例最高。

摘要：针对二维Winograd卷积算法中存储器带宽需求过高、计算复杂度高、设计探索周期漫长、级联的卷积存在层间计算延迟等问题,提出一种基于二维Winograd算法的双缓冲区5×5卷积层设计方法。首先使用列缓冲结构完成数据布局,以重用相邻分块之间的重叠数据,降低存储器带宽需求;然后精确搜索并复用Winograd算法加法计算过程中重复的中间计算结果,来降低加法运算量,从而减小加速器系统的能耗开销和设计面积;最后根据Winograd算法计算过程来完成6级流水线结构的设计,并实现针对5×5卷积的高效率计算。实验结果表明,这种5×5卷积的计算方法在基本不影响卷积神经网络(CNN)预测准确率的前提下,与传统卷积相比降低了83%的乘法运算量,加速倍率为5.82;该方法与级联3×3二维Winograd卷积组成5×5卷积的方法相比降低了12%的乘法运算量,降低了约24.2%的存储器带宽需求,并减少了20%的运算时间。

摘要：为了提高浮点表达式设计空间的探索效率,提出一种基于启发搜索的浮点表达式设计空间探索方法。在每次迭代过程中首先对非支配表达式的设计空间进行探索,同时将非支配表达式和可支配表达式分别添加到非支配列表和可支配列表中。当迭代完成后对可支配列表中的表达式进行探索,从中选择非支配的表达式,并对其邻域进行探索。将新的非支配表达式添加到非支配列表中,有效提高了非支配表达式的多样性和随机性。最后再次对非支配列表进行探索,得到最终的等价表达式,并进一步提高最优表达式的性能。与现有的浮点表达式设计空间的探索方法相比较,所提出的方法使计算精度提高了2%~9%,并减少了5%~19%的计算时间和4%~7%的资源消耗。实验结果表明,该方法可有效提高空间探索效率。