Data Orchestration in Deep Learning Accelerators - Hyoukjun Kwon,Ananda Samajdar,Tushar Krishna,Michael Pellauer,Angshuman Parashar
-35% su kodu BOOKS
Pristatymas per 12-18 d.d.
30 dienų grąžinimo politika
This Synthesis Lecture focuses on techniques for efficient data orchestration within DNN accelerators. The End of Moore's Law, coupled with the increasing growth in deep learning and other AI applications has led to the emergence of custom Deep Neural Network (DNN) accelerators for energy-efficient inference on edge devices. Modern DNNs have millions of hyper parameters and involve billions of computations; ... Visas aprašymas
Jums taip pat gali patikti
TOP
The Art of Electronics
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
INCOSE Systems Engineering Handbook
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
If Anyone Builds It, Everyone Dies: The Case Against Superintelligent AI
Eliezer Yudkowsky, Nate Soares
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
The Design of Everyday Things
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Open Circuits: The Inner Beauty of Electronic Components
Eric Schlaepfer, Windell Oskay
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Get started with MicroPython on Raspberry Pi Pico: The Official Raspberry Pi Pico Guide
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
We Are Not Machines: The Fight for the Future of Work
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Foundations of Flavor: The Noma Guide to Fermentation: Including Step-By-Step Information on Making and Cooking with: Koji, Kombuchas, Shoyus, Misos, Vinegars, Garums, Lacto-Ferments and black Fruits Vegetables
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Nucleo Boards Programming with the STM32CubeIDE: Hands-on in more than 50 projects
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control
Steven L. Brunton, J. Nathan Kutz
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Fundamentals of Aerodynamics ISE
Christopher Cadou, John D. Anderson
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Black Holes: The Key to Understanding the Universe
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Practical Electronics for Inventors
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Flowers For Algernon: A Modern Literary Classic
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Human Compatible: Artificial Intelligence and the Problem of Control
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
How To Read Water: Clues & Patterns from Puddles to the Sea
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Make: Electronics: Learning by Discovery: A hands-on primer for the new electronics enthusiast
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Mastering the Arduino Uno R4: Programming and Projects for the Minima and WiFi
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
The Idea Factory: Bell Labs and the Great Age of American Innovation
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Foundation Design and Construction
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
Aprašymas
This Synthesis Lecture focuses on techniques for efficient data orchestration within DNN accelerators. The End of Moore's Law, coupled with the increasing growth in deep learning and other AI applications has led to the emergence of custom Deep Neural Network (DNN) accelerators for energy-efficient inference on edge devices. Modern DNNs have millions of hyper parameters and involve billions of computations; this necessitates extensive data movement from memory to on-chip processing engines. It is well known that the cost of data movement today surpasses the cost of the actual computation; therefore, DNN accelerators require careful orchestration of data across on-chip compute, network, and memory elements to minimize the number of accesses to external DRAM. The book covers DNN dataflows, data reuse, buffer hierarchies, networks-on-chip, and automated design-space exploration. It concludes with data orchestration challenges with compressed and sparse DNNs and future trends. The target audience is students, engineers, and researchers interested in designing high-performance and low-energy accelerators for DNN inference.
Daugiau informacijos
| Autorius | Hyoukjun Kwon, Ananda Samajdar, Tushar Krishna, Michael Pellauer, Angshuman Parashar |
|---|---|
| Leidėjas | Springer International Publishing |
| Series | Synthesis Lectures on Computer Architecture |
| Išleidimo metai | 2020 |
| Viršelio tipas | Minkšti viršeliai |
| EAN | 9783031006395 |