深度神经网络（DNNS）在现代应用中被大量使用，并将能量构成设备投入了测试。为了绕过高能消耗问题，已在DNN加速器中采用了近似计算，以平衡准确的能量降低权衡。但是，近似诱导的精度损失可能很高，并且会大大降低DNN的性能。因此，需要一种细颗粒机制，该机制将特定的DNN操作分配给近似值以保持可接受的DNN精度，同时还可以达到低能消耗。在本文中，我们提出了一个自动化框架，用于重量到附属映射，以实现近似DNN加速器的正式属性探索。在MAC单位级别上，我们的实验评估在能源收益方面超过了$ \ times2 $的能源效率映射，同时还支持对引入近似值的更细粒度控制。
translated by 谷歌翻译