FPGA实现多层脉冲神经网络片上训练与推理
热点事件持续更新
FPGA实现多层脉冲神经网络片上训练与推理
1 篇报道1 个报道来源15 小时前更新
先了解这件事
AI 综述
Jingang Jin 等作者提出一种基于 FPGA 的多层脉冲神经网络实现，推理与训练在同一硬件上完成，采用时间前向训练算法，以规避基于时间反向传播（BPTT）的内存与延迟开销。 在 MNIST 和五个多变量时间序列分类数据集上，全片上训练的网络精度与使用 BPTT 训练的 SNN 或 LSTM 相当，吞吐量相比 CPU 和 GPU 实现提升 2.5 至 6 倍，每样本能耗低一个数量级。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
基于 FPGA 的脉冲神经网络实现时空模式学习与分类报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AI基于 FPGA 的脉冲神经网络实现时空模式学习与分类
研究团队提出一种 FPGA 实现的多层脉冲神经网络（SNN），在同一硬件上完成推理与训练，采用时间前向训练算法规避 BPTT 的内存与延迟开销。在 MNIST 及五个多变量时间序列分类数据集上，全片上训练的 SNN 精度与使用 BPTT 训练的 SNN 或 LSTM 相当，相比 CPU 和 GPU 实现吞吐量提升 2.5 至 6 倍，每样本能耗低一个数量级。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。