检索结果-内蒙古大学图书馆

南京邮电大学学报（自然科学版） 2022年第5期42卷 54-61页

作者：孙雁飞王子牛孙莹亓晋董振江南京邮电大学物联网学院江苏南京210003 南京邮电大学江苏省高性能计算与智能处理工程研究中心江苏南京210023 南京邮电大学自动化学院、人工智能学院江苏南京210023 南京邮电大学计算机学院江苏南京210023

针对卷积神经网络预测过程中内存使用量大,难以部署在内存受限设备上的问题,提出一种面向内存受限设备的新型卷积计算方法。该方法对输入矩阵中部分数据进行卷积计算,并将计算结果存储在临时内存;然后,将临时内存中的计算结果复制到输... 详细信息

针对卷积神经网络预测过程中内存使用量大,难以部署在内存受限设备上的问题,提出一种面向内存受限设备的新型卷积计算方法。该方法对输入矩阵中部分数据进行卷积计算,并将计算结果存储在临时内存;然后,将临时内存中的计算结果复制到输入矩阵不再使用的内存并重复上述步骤,从而实现对输入矩阵的卷积计算;最后,对单个卷积计算和LeNet进行验证。实验结果表明,该方法计算速度较直接卷积方法更快,且相比im2col、MEC和直接卷积方法,单个卷积计算内存平均使用量分别下降89.29%、82.60%和57.15%,LeNet内存使用量分别下降89.90%、82.21%和28.07%,有效降低了卷积神经网络的内存使用量,有助于在内存受限设备上部署使用。

关键词：深度学习卷积计算内存优化数据复用边缘设备

来源：评论

学校读者我要写书评

暂无评论

卷积计算的数据并行实现方法

引用

微电子学与计算机 2003年第B12期20卷 4-7页

作者：赵晓红张发存王忠沈绪榜西安微电子技术研究所，西安710054

基于局部线性滤波函数的大多数图像处理操作，都可以表示成图像数据与一个权值样板的卷积。对于N×N的图像M×M(M<N)的模板，卷积算法在单处理机上用传统的方法实现需要O(N^2M^2)时间。显然它应当采用数据并行的处理方法来... 详细信息

基于局部线性滤波函数的大多数图像处理操作，都可以表示成图像数据与一个权值样板的卷积。对于N×N的图像M×M(M卷积算法在单处理机上用传统的方法实现需要O(N^2M^2)时间。显然它应当采用数据并行的处理方法来实现。本文较详细地讨论了卷积算法在局部寄存器个数受限与不受限情况下的两维处理元阵列的数据并行实现方法，提出了一种适用于具有有限局部寄存器的-维处理元阵列的卷积并行算法，并对算法的复杂度进行了分析。

关键词：卷积计算数据并行二维处理元阵列一维处理元阵列局部线性滤波函数图像处理算法复杂度

来源：评论

学校读者我要写书评

暂无评论

MCC-SIMD数据并行卷积计算方法的研究

引用

计算机工程 2004年第9期30卷 34-36页

作者：张发存赵晓红王忠沈绪榜西安理工大学计算机学院西安微电子技术研究所西安710054

主要研究卷积计算的数据并行方法在MCC-SIMD计算机的设计和实现问题。在参考国内外现有资料的基础上，从图论的角度用卷积路径的方法对卷积计算的有关概念进行了严格的形式化定义；分析了4-连接卷积路径下数据并行卷积计算时处理元阵列... 详细信息

主要研究卷积计算的数据并行方法在MCC-SIMD计算机的设计和实现问题。在参考国内外现有资料的基础上，从图论的角度用卷积路径的方法对卷积计算的有关概念进行了严格的形式化定义；分析了4-连接卷积路径下数据并行卷积计算时处理元阵列的移动规律;在此基础上给出了数据并行卷积计算算法；最后对算法的计算复杂性和通信复杂性进行了简要分析。文中还对有关结论进行了证明。

关键词：数据并行卷积计算卷积路径 MCC-SIMD计算机

来源：评论

学校读者我要写书评

暂无评论

基于矩阵转换的卷积计算优化方法

引用

计算机工程 2019年第7期45卷 217-221,228页

作者：方玉玲陈庆奎上海理工大学管理学院上海200093 上海理工大学光电信息与计算机工程学院上海200093

提出一种基于矩阵转换的高效卷积计算优化方法MCFA。根据输出矩阵的宽度和卷积核大小对输入矩阵进行分块,通过im2col方法转换输入矩阵子块和核函数矩阵,利用计算统一设备架构中封装的矩阵-矩阵乘法加速库提升卷积计算的速度。在此基础上... 详细信息

提出一种基于矩阵转换的高效卷积计算优化方法MCFA。根据输出矩阵的宽度和卷积核大小对输入矩阵进行分块,通过im2col方法转换输入矩阵子块和核函数矩阵,利用计算统一设备架构中封装的矩阵-矩阵乘法加速库提升卷积计算的速度。在此基础上,将输出子块按序排列,最终得到完整的输出矩阵。实验结果证明,该方法相比im2col方法能节省61.25 %的计算空间,相比MEC方法能提高20.57 %的计算速度,且在分块情况下可以缓解大输入矩阵引起的缓存压力,提高缓存利用率。

关键词：深度学习卷积计算直接卷积矩阵分块计算统一设备架构卷积优化

来源：评论

学校读者我要写书评

暂无评论

基于卷积计算的多层脉冲神经网络的监督学习

引用

计算机工程与科学 2015年第2期37卷 348-353页

作者：张玉平蔺想红西北师范大学计算机科学与工程学院甘肃兰州730070

针对脉冲神经元基于精确定时的多脉冲编码信息的特点,提出了一种基于卷积计算的多层脉冲神经网络监督学习的新算法。该算法应用核函数的卷积计算将离散的脉冲序列转换为连续函数,在多层前馈脉冲神经网络结构中,使用梯度下降的方法得到... 详细信息

针对脉冲神经元基于精确定时的多脉冲编码信息的特点,提出了一种基于卷积计算的多层脉冲神经网络监督学习的新算法。该算法应用核函数的卷积计算将离散的脉冲序列转换为连续函数,在多层前馈脉冲神经网络结构中,使用梯度下降的方法得到基于核函数卷积表示的学习规则,并用来调整神经元连接的突触权值。在实验部分,首先验证了该算法学习脉冲序列的效果,然后应用该算法对Iris数据集进行分类。结果显示,该算法能够实现脉冲序列复杂时空模式的学习,对非线性模式分类问题具有较高的分类正确率。

关键词：脉冲神经网络监督学习卷积计算梯度下降

来源：评论

学校读者我要写书评

暂无评论

基于向量转换的卷积计算优化方法

引用

计算机工程 2024年

作者：王培吉邹承明武汉理工大学计算机与人工智能学院交通物联网技术湖北省重点实验室鹏城实验室

该研究致力于解决卷积计算中存在的效率问题，提出了一个名为OptiMEC Accelerated Convolution（OAC）的卷积计算优化方法。该研究的主要目的在于提高卷积计算的效率，以应对深度学习等领域对卷积计算速度的不断增大的需求。在该技术实... 详细信息

该研究致力于解决卷积计算中存在的效率问题，提出了一个名为OptiMEC Accelerated Convolution（OAC）的卷积计算优化方法。该研究的主要目的在于提高卷积计算的效率，以应对深度学习等领域对卷积计算速度的不断增大的需求。在该技术实现过程中，OAC方法以向量转换为基础，采取了一系列巧妙的步骤来优化卷积计算。首先，通过逐行取值的方式将输入矩阵连接成一个向量。随后，对卷积核进行拉伸变换，并根据输入矩阵的宽度和卷积核的大小在适当位置进行补零，形成另一个向量。这一转换的设计旨在和输入矩阵转换后的向量能够进行正确的计算，并且最大程度上减少计算过程中的冗余操作，从而提高效率。最后，结合一些其他的优化手段对向量计算进行加速。研究结果表明，与传统MEC方法相比，OAC方法的计算速度提高了58.9%。与im2col方法相比，更是实现了90.1%的计算速度提升。同时，内存占用相比于MEC算法减少了53.7%。通过这一创新性的方法，该研究不仅在计算效率上取得了显著成果，而且为深度学习等计算任务提供了高效可行的解决方案。定量结果清晰展示了OAC方法相对于传统方法的明显优势，这对于满足当今对卷积计算速度不断增大需求的领域具有重要意义。这项研究的结论为卷积计算领域的优化提供了有力的技术支持，为相关领域的进一步研究和应用奠定了坚实基础。

关键词：深度学习卷积计算卷积优化向量转换加速库

来源：评论

学校读者我要写书评

暂无评论

一维量子卷积计算

引用

计算机工程与应用 2020年第8期56卷 55-59页

作者：闫茜茜王鹏程刘兴云湖北师范大学物理与电子科学学院湖北黄石435002

研究了一维信息编码为量子态后进行量子卷积计算的量子线路模型。基于量子图像表示和经典信息的卷积算法,设计出了一维量子卷积计算的量子线路结构,表明量子卷积计算可以以O(n^2)的复杂度计算卷积。与经典卷积相比,量子卷积计算由于利... 详细信息

研究了一维信息编码为量子态后进行量子卷积计算的量子线路模型。基于量子图像表示和经典信息的卷积算法,设计出了一维量子卷积计算的量子线路结构,表明量子卷积计算可以以O(n^2)的复杂度计算卷积。与经典卷积相比,量子卷积计算由于利用量子并行计算在计算速率上达到了指数级的加速,为量子卷积神经网络卷积层的设计实施作铺垫。

关键词：量子门卷积计算量子线路

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的量子卷积计算研究

基于卷积神经网络的量子卷积计算研究

引用

作者：闫茜茜湖北师范大学

学位级别：硕士

当前,卷积运算在图像处理以及其它许多领域有着广泛的应用。而人工智能下的卷积神经网络运算过程是重复操作计算,该过程计算缓慢且需要大量的计算步骤。尤其是随着信息革命的到来,互联网上的数据以指数爆炸的形式增长,而且加上卷积神经... 详细信息

当前,卷积运算在图像处理以及其它许多领域有着广泛的应用。而人工智能下的卷积神经网络运算过程是重复操作计算,该过程计算缓慢且需要大量的计算步骤。尤其是随着信息革命的到来,互联网上的数据以指数爆炸的形式增长,而且加上卷积神经网络的网络结构的不断复杂、网络层数的不断增加,导致卷积神经网络在通常训练的过程中需要大量的计算资源来处理信息,经典卷积运算无法满足强人工智能对当今社会对计算速度和计算效率的要求。但是量子计算作为世界上公认的不同于经典计算的新型计算模式,主要是依据量子力学方法在量子信息单元上完成操作处理,在计算效率上由于量子态的叠加与并行计算能力的存在,使得量子计算比经典计算具有更高的优势。本文将传统卷积计算与量子并行计算的原理相结合,设计得到一种全新的计算模型即量子卷积计算,量子卷积计算模型综合了量子与卷积二者各自的优点,既具备量子并行计算与量子态叠加较快的运算速率,又具备卷积在图像处理上的特征增强与图像滤波的优势。本文所做的工作如下:1.研究了将经典信息量子化编码处理为量子信息,因经典信息无法运用到量子计算中,需将经典信息用量子图像表示（QIMR）模型编码处理为量子信息。2.设计一维量子卷积计算模型,经典卷积计算包括相乘、移位、求和,通过对量子门研究设计出相应的量子态张量积计算、量子比特概率幅置换、加法计算的算法原理,设计一维量子卷积线路模型图。3.在一维的基础上设计二维量子卷积计算模型,二维量子卷积计算不同于一维量子卷积计算的是因维度的扩展需在一维线路设计中额外增加概率福置换模块,设计二维量子卷积计算线路图。

关键词：量子门卷积计算量子线路量子卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

一种基于FPGA的加速卷积计算的关键技术的研究与设计

一种基于FPGA的加速卷积计算的关键技术的研究与设计

引用

作者：吴梦娇云南大学

学位级别：硕士

随着互联网技术的发展,深度学习带来了人工智能的正循环,传统计算架构已经无法支撑大规模并行计算的需求。因此,需要通过加速底层应用的计算过程,来缩短深度学习算法的训练时间,从而推动人工智能整个产业链的发展。卷积神经网络(Convolu... 详细信息

随着互联网技术的发展,深度学习带来了人工智能的正循环,传统计算架构已经无法支撑大规模并行计算的需求。因此,需要通过加速底层应用的计算过程,来缩短深度学习算法的训练时间,从而推动人工智能整个产业链的发展。卷积神经网络(Convolutional Neural Network,CNN)是深度学习算法的一种重要网络模型,在手写识别、自然语言处理,医学图像分割等领域具有广泛的应用,也是机器学习、计算机图像视觉等学科研究的热点,因此具有一定的研究意义和价值。卷积神经网络需要对特征图中的所有区域进行综合评估,所以具有较大的计算复杂度。在其训练过程中,由于数据信息是由各个神经元分散存储和处理的,可以使卷积神经网络并行化,使得训练数据和训练参数能同时更新。为加速训练时的计算过程,减少算法的训练时间,可以考虑利用硬件和软件技术以并行代替传统串行计算方式实现卷积神经网络。因此,本文首先提出了一种简单的卷积神经网络模型------SpNet模型,并对卷积神经网络训练过程中不同类型的并行性进行了详细分析,针对其大量运用的卷积计算,从软件和硬件的角度,分别设计一种能加快卷积计算的方案。其中,软件方案为:首先把卷积计算转换为矩阵乘法,并研究矩阵乘法的优化算法,其次,提出了一种适合于本文模型中的卷积计算的矩阵乘法算法,通过实验对比,可得出一种加快卷积计算的方案。硬件方案为:基于FPGA设计了卷积神经网络模型整体的训练架构,并针对其中的卷积计算模块作出了详细设计与实现,由于电路本身就是并行的,因此采用硬件实现可以得到一种加速卷积计算的方案。

关键词：深度学习卷积神经网络并行性卷积计算 FPGA

来源：评论

学校读者我要写书评

暂无评论

基于CPU SIMD指令集的卷积计算优化

基于CPU SIMD指令集的卷积计算优化

引用

作者：庄晨中国科学院大学(中国科学院深圳先进技术研究院)

学位级别：硕士

近年来,随着深度学习的飞速发展,深度学习模型的前向推理开始广泛被部署在大规模的移动硬件设备上。因为不同设备的硬件特性差异较大,常见模型的前向推理无法同时在不同的设备上保证优秀的性能,因此深度学习模型前向推理在不同硬件设备... 详细信息

近年来,随着深度学习的飞速发展,深度学习模型的前向推理开始广泛被部署在大规模的移动硬件设备上。因为不同设备的硬件特性差异较大,常见模型的前向推理无法同时在不同的设备上保证优秀的性能,因此深度学习模型前向推理在不同硬件设备上的性能可移植性较差。此外,对于深度学习模型前向推理中最耗时的卷积层来说,由于不同卷积层的输入矩阵形状各异,尤其是一些输入矩阵属于极端窄条形矩阵,常见的深度学习计算库所做的优化无法覆盖所有的输入形状,所以这些计算库无法在所有卷积层上都保证较好的性能,即卷积计算在不同输入卷积形状上的性能可移植性也很差。针对硬件可移植性和卷积尺寸可移植性的问题,本文提出了一个基于C++模板代码自动生成的开源卷积计算库Fast Conv,它可以自动生成任意矩阵/张量形状的高性能深度学习卷积计算核。Fast Conv是基于Winograd快速卷积算法和基于Im2col变换与通用矩阵乘法卷积算法实现的。作为一个性能可移植的卷积计算库,Fast Conv使用了缓存分块、调整循环顺序、数据打包重排等常规优化手段对卷积算法的实现进行优化,并使用C++模板的方式自动生成不同形状的高性能微内核。此外,Fast Conv使用了auto-tuning的方法搜索微内核的形状、缓存分块的大小、循环顺序的调度、数据打包重排的策略、在线/离线计算等优化模式的最佳组合,从而保证Fast Conv在给定目标ARM CPU和输入卷积形状上的性能最优。实验结果表明,在华为鲲鹏920上,相对于深度学习计算库NNPACK,Fast Conv能得到的加速比为1.02到1.40倍;相对于深度学习计算库ARM NN,Fast Conv能得到的加速比为1.14到2.17倍;相对于深度学习计算库Feather CNN,Fast Conv能得到的加速比为1.22到2.48倍。此外,在各种卷积形状进行的性能可移植性实验表明,在华为鲲鹏920上,Fast Conv比NNPACK和ARM NN平均快1.2到1.7倍和2到22倍。而在卷积神经网络模型VGG-16上进行的不同ARM CPU性能可移植性的实验结果显示,在华为鲲鹏920、高通骁龙835、855、888、Apple M1和AWS Gravion2上Fast Conv与NNPACK相比能达到的平均加速比分别为1.42倍、1.21倍、1.26倍、1.37倍、2.26倍和11.02倍。综合以上所有的实验结果说明,Fast Conv在不同ARM CPU上和不同输入卷积形状上能保证优秀的性能可移植性。

关键词：卷积计算深度学习并行计算自动优化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：