• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Symposium on Performance Analysis of Systems and Software >E3: A HW/SW Co-design Neuroevolution Platform for Autonomous Learning in Edge Device
【24h】

E3: A HW/SW Co-design Neuroevolution Platform for Autonomous Learning in Edge Device

机译：E3：边缘设备中自主学习的HW / SW Co-Design神经发展平台

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The true potential of AI can be realized once we move beyond supervised training using labelled datasets on the cloud to autonomous learning on edge devices. While techniques like Reinforcement Learning are promising for their autonomous learning ability, they exhibit high compute and memory requirements due to gradient computations, making them prohibitive for edge deployment. In this paper, we propose E3, a HW/SW co-designed edge learning system on a FPGA. E3 uses a gradient-free approach called neuro-evolution (NE) to evolve the neural network (NN) topology and weights dynamically. The NNs evolved using NE are highly irregular, and a population of such NNs need to be evaluated quickly in order for the NE algorithm to make progress. To address this, we develop INAX, a specialized accelerator inside E3 for efficient irregular network computation. INAX leverages multiple avenues of parallelism both within and across the evolved NNs. E3 shows averaged 30× speedup than CPU-based solution across a suite of OpenAI environments.
机译：一旦我们在边缘设备上使用标记的数据集到自主学习，我们可以实现AI的真实潜力。虽然加强学习等技术对自主学习能力有前途，但它们由于梯度计算而表现出高的计算和内存要求，使其禁止边缘部署。在本文中，我们在FPGA上提出E3，HW / SW共同设计的边缘学习系统。 E3使用一种名为Neuro-Evolution（NE）的无渐变方法，动态地发展神经网络（NN）拓扑和权重。使用NE演变的NNS是高度不规则的，并且需要快速评估这种NNS的群体，以便进行NE算法进行进展。为了解决这个问题，我们开发Inax，E3内的专用加速器，以实现有效的不规则网络计算。 Inax在演进的NN内和跨越的NNS中利用多个并行性的途径。 E3显示平均超过30倍的加速度，而不是一套套房的CPU基于CPU的解决方案。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号