喜欢2次
这篇文章实现了一个灵活的神经网络训练加速器，主要创新点如下：
1. ASTM：自适应时空负载复用（使用RAN 可重构累加网络，提高单元利用率）
3. EORS：仅指数的 Relu 推理（预测未知的 ofmap 稀疏性，使用weight和act的指数部分预测结果是否为负值）
其架构具有一下特点：
1. 8个长期存储（LTMEM），32个双稀疏训练核（DSTC），每行PE共享10个单位的Row buffer，存ifmap，每个PE有8个存储，存psum，PE计算的结果交给 Local Acc 进行进一步累加；
2. 可配的全局累加网络 RAN，可以改变数据流方向，阵列上并行处理多个任务
3. 寄存器较少、算力高，片上网络灵活
笔者认为 ASTM 与 RAN 技术比较实用，具体原理如下图所示：
最后给出该加速器的性能数据：
- 峰值算力：两种格式、有无稀疏
- 能效：（下面的更详细）低压和高压，有无稀疏、两个格式
- 功耗：低压低频、高压高频
- 原文给出了单次推理的耗能、推理帧率
