過去幾年來，深度學習技術日益先進，在圖像分類和自然語言處理等廣泛任務上達到了人類水平的準確度。
這些計算技術的廣泛使用推動了旨在開發(fā)能夠滿足其大量計算需求的新硬件解決方案的研究。
為了運行深度神經網絡，一些研究人員一直在開發(fā)所謂的硬件加速器，這是一種專用的計算設備，可以進行編程以比傳統(tǒng)中央處理器 (CPU) 更有效地處理特定的計算任務。
到目前為止，這些加速器的設計主要與深度學習模型的訓練和執(zhí)行分開進行，只有少數團隊同時解決這兩個研究目標。
曼徹斯特大學和 Pragmatic Semiconductor 的研究人員最近著手開發(fā)一種基于機器學習的方法，從表格數據中自動生成分類電路，表格數據是結合數字和分類信息的非結構化數據。
他們提出的方法概述在《自然電子》雜志上發(fā)表的一篇論文中，該方法依賴于一種新引入的方法，該團隊稱之為“微型分類器”。
Konstantinos Iordanou、Timothy Atkinson 及其同事在論文中寫道：“典型的機器學習開發(fā)周期會在模型訓練期間最大限度地提高性能，然后最大限度地減少訓練模型的內存和面積占用，以便部署在處理核心、圖形處理單元、微控制器或定制硬件加速器上。”
“然而，隨著機器學習模型變得越來越大、越來越復雜，這變得越來越困難。我們報告了一種用于自動生成表格數據分類的預測電路的方法。”
Iordanou、Atkinson 及其同事開發(fā)的微型分類器電路僅由幾百個邏輯門組成。盡管它們的尺寸相對較小，但研究發(fā)現，它們能夠實現與最先進的機器學習分類器類似的準確度。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯系刪除！