公开(公告)号：CN115099405B

公开(公告)日：2024-09-17

申请号：CN202210715089.4

申请日：2022-06-23

Applicant: 南京航空航天大学

Inventor： 陈珂 ,  梁思圆 ,  刘伟强

IPC: G06N3/08 ,  G06F7/523

Abstract: 本发明公开了一种基于近似乘法的神经网络混合近似及误差补偿方法，包括：获取神经网络模型所包含的所有卷积层和全连接层；调用由若干个近似乘法器组成近似乘法器数据库，作为对应的搜索空间；将搜索空间内的所有已知近似乘法器的二进制真值表加入神经网络模型的推理路径，根据神经网络模型对应的应用场景的实际需求，对神经网络模型中的卷积层和全连接层采用的精确乘法进行混合近似：逐层混合近似和逐权重混合近似；对混合近似后的神经网络模型进行误差补偿。本发明能够用最接近真实情况的方法测量近似乘法器的应用为神经网络带来的精度损失，能够更精确地指导网络友好型乘法器的设计，不仅能取得更小的精度损失，还能节约更多的硬件能耗。

公开(公告)号：CN115099405A

公开(公告)日：2022-09-23

申请号：CN202210715089.4

申请日：2022-06-23

Applicant: 南京航空航天大学

Inventor： 陈珂 ,  梁思圆 ,  刘伟强

IPC: G06N3/08 ,  G06F7/523

Abstract: 本发明公开了一种基于近似乘法的神经网络混合近似及误差补偿方法，包括：获取神经网络模型所包含的所有卷积层和全连接层；调用由若干个近似乘法器组成近似乘法器数据库，作为对应的搜索空间；将搜索空间内的所有已知近似乘法器的二进制真值表加入神经网络模型的推理路径，根据神经网络模型对应的应用场景的实际需求，对神经网络模型中的卷积层和全连接层采用的精确乘法进行混合近似：逐层混合近似和逐权重混合近似；对混合近似后的神经网络模型进行误差补偿。本发明能够用最接近真实情况的方法测量近似乘法器的应用为神经网络带来的精度损失，能够更精确地指导网络友好型乘法器的设计，不仅能取得更小的精度损失，还能节约更多的硬件能耗。