期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
SWAM:SNN工作负载自动映射器
被引量：
4
1
作者
郁龚健
张鲁飞
+4 位作者
李佩琦
华夏
刘家航
柴志雷
陈闻杰
《计算机科学与探索》
CSCD
北大核心
2021年第9期1641-1657,共17页
为了满足大规模脉冲神经网络(SNN)的计算需求,类脑计算系统通常需要采用大规模并行计算平台。因此,如何快速为SNN工作负载确定合理的计算节点数(即如何把工作负载合理映射到计算平台上)以获得最佳的性能、功耗等指标就成为类脑计算系统...
为了满足大规模脉冲神经网络(SNN)的计算需求,类脑计算系统通常需要采用大规模并行计算平台。因此,如何快速为SNN工作负载确定合理的计算节点数(即如何把工作负载合理映射到计算平台上)以获得最佳的性能、功耗等指标就成为类脑计算系统需解决的关键问题之一。首先分析了SNN工作负载特性并为其建立起计算模型;然后针对NEST类脑仿真器,进一步实例化了SNN的内存、计算和通信负载模型;最终设计并实现了一种基于NEST的SNN工作负载自动映射器(SWAM)。SWAM可以自动计算出映射结果并完成映射,避免了极其耗时的工作负载映射手动试探过程。在ARM+FPGA、纯ARM、PC集群三种不同的计算平台上运行SNN典型应用,并比较SWAM、LM算法拟合和实测的映射结果。实验结果表明:SWAM的平均映射准确率达到98.833%,与LM方法与实测映射相比,SWAM具有绝对的时间代价优势。
展开更多
关键词
脉冲神经网络(SNN)
工作负载映射
PYNQ集群
现场可编程逻辑门阵列(FPGA)加速
NEST仿真器
在线阅读
下载PDF
职称材料
基于精准通信建模的脉冲神经网络工作负载自动映射器
被引量：
1
2
作者
华夏
朱铮皓
+3 位作者
徐聪
张曦煌
柴志雷
陈闻杰
《计算机应用》
CSCD
北大核心
2023年第3期827-834,共8页
在分布式计算平台上运行大规模的脉冲神经网络(SNN)是提升类脑计算智能水平的基本手段之一,它的难点在于如何将SNN部署到对应数量的计算节点上,使整体系统的运行能效最佳。针对以上问题,在基于NEST的SNN工作负载自动映射器(SWAM)的基础...
在分布式计算平台上运行大规模的脉冲神经网络(SNN)是提升类脑计算智能水平的基本手段之一,它的难点在于如何将SNN部署到对应数量的计算节点上,使整体系统的运行能效最佳。针对以上问题,在基于NEST的SNN工作负载自动映射器(SWAM)的基础上,提出一种基于精准通信建模的SNN工作负载自动映射器(SWAM2)。在SWAM2中,基于NEST仿真器对SNN工作负载的通信部分进行精准建模,并改进工作负载模型中参数的量化方法,设计了最大网络规模预测方法。在SNN典型案例上的实验结果表明,在工作负载通信以及计算时间的预测中,SWAM2的平均预测误差比SWAM分别降低12.62和5.15个百分点;在对工作负载最佳映射的预测中,SWAM2的平均准确率为97.55%,比SWAM高13.13个百分点。SWAM2通过自动预测SNN工作负载在计算平台上的最佳部署/映射,避免了手动反复实验的过程。
展开更多
关键词
脉冲神经网络
工作负载映射
分布式计算平台
NEST仿真器
计算能效
在线阅读
下载PDF
职称材料
题名
SWAM:SNN工作负载自动映射器
被引量：
4
1
作者
郁龚健
张鲁飞
李佩琦
华夏
刘家航
柴志雷
陈闻杰
机构
江南大学人工智能与计算机学院
数学工程与先进计算国家重点实验室
华东师范大学软硬件协同设计技术与应用教育部工程研究中心
出处
《计算机科学与探索》
CSCD
北大核心
2021年第9期1641-1657,共17页
基金
国家自然科学基金(61972180)
数学工程与先进计算国家重点实验室开放基金(2018A04)。
文摘
为了满足大规模脉冲神经网络(SNN)的计算需求,类脑计算系统通常需要采用大规模并行计算平台。因此,如何快速为SNN工作负载确定合理的计算节点数(即如何把工作负载合理映射到计算平台上)以获得最佳的性能、功耗等指标就成为类脑计算系统需解决的关键问题之一。首先分析了SNN工作负载特性并为其建立起计算模型;然后针对NEST类脑仿真器,进一步实例化了SNN的内存、计算和通信负载模型;最终设计并实现了一种基于NEST的SNN工作负载自动映射器(SWAM)。SWAM可以自动计算出映射结果并完成映射,避免了极其耗时的工作负载映射手动试探过程。在ARM+FPGA、纯ARM、PC集群三种不同的计算平台上运行SNN典型应用,并比较SWAM、LM算法拟合和实测的映射结果。实验结果表明:SWAM的平均映射准确率达到98.833%,与LM方法与实测映射相比,SWAM具有绝对的时间代价优势。
关键词
脉冲神经网络(SNN)
工作负载映射
PYNQ集群
现场可编程逻辑门阵列(FPGA)加速
NEST仿真器
Keywords
spiking neural network(SNN)
workload mapping
PYNQ clusters
field programmable gate array(FPGA)acceleration
NEST simulator
分类号
TP302 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
基于精准通信建模的脉冲神经网络工作负载自动映射器
被引量：
1
2
作者
华夏
朱铮皓
徐聪
张曦煌
柴志雷
陈闻杰
机构
江南大学人工智能与计算机学院
江苏省模式识别与计算智能工程实验室(江南大学)
软硬件协同设计技术与应用教育部工程研究中心(华东师范大学)
出处
《计算机应用》
CSCD
北大核心
2023年第3期827-834,共8页
基金
国家自然科学基金资助项目(61972180)。
文摘
在分布式计算平台上运行大规模的脉冲神经网络(SNN)是提升类脑计算智能水平的基本手段之一,它的难点在于如何将SNN部署到对应数量的计算节点上,使整体系统的运行能效最佳。针对以上问题,在基于NEST的SNN工作负载自动映射器(SWAM)的基础上,提出一种基于精准通信建模的SNN工作负载自动映射器(SWAM2)。在SWAM2中,基于NEST仿真器对SNN工作负载的通信部分进行精准建模,并改进工作负载模型中参数的量化方法,设计了最大网络规模预测方法。在SNN典型案例上的实验结果表明,在工作负载通信以及计算时间的预测中,SWAM2的平均预测误差比SWAM分别降低12.62和5.15个百分点;在对工作负载最佳映射的预测中,SWAM2的平均准确率为97.55%,比SWAM高13.13个百分点。SWAM2通过自动预测SNN工作负载在计算平台上的最佳部署/映射,避免了手动反复实验的过程。
关键词
脉冲神经网络
工作负载映射
分布式计算平台
NEST仿真器
计算能效
Keywords
Spiking Neural Network(SNN)
workload mapping
distributed computing platform
NEural Simulation Tool(NEST)simulator
calculation energy efficiency
分类号
TP302 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
SWAM:SNN工作负载自动映射器
郁龚健
张鲁飞
李佩琦
华夏
刘家航
柴志雷
陈闻杰
《计算机科学与探索》
CSCD
北大核心
2021
4
在线阅读
下载PDF
职称材料
2
基于精准通信建模的脉冲神经网络工作负载自动映射器
华夏
朱铮皓
徐聪
张曦煌
柴志雷
陈闻杰
《计算机应用》
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
