Element-wise partial product quantization for efficient deep learning accelerators
저자
발행사항
Seoul : Sungkyunkwan University, 2023
학위논문사항
Thesis (M.A.)-- Sungkyunkwan University : Department of Electrical and Computer Engineering 2023. 2
발행연도
2023
작성언어
영어
주제어
발행국(도시)
서울
기타서명
효율적인 딥러닝 가속기를 위한 원소 별 부분 곱 양자화 기법
형태사항
vi, 50 p. : ill. ; 30 cm
일반주기명
Advisor: Jong Hwan Ko
Includes bibliographical reference(p. 43-48)
UCI식별코드
I804:11040-000000172570
DOI식별코드
소장기관
To achieve efficient deep neural network (DNN) edge computing, model inference must be performed quickly while reducing the memory requirements and computation. To this end, deep-learning quantization algorithms and dedicated accelerators have been actively studied. However, in previous studies, algorithms and accelerators are not co-optimized, which means they require complex high-precision operations when processed in accelerators, or additional resources are needed to store intermediate computational results. To address these problems, I propose a novel quantization algorithm called the element-wise partial product quantization algorithm along with a co-optimized accelerator design. I apply the quantization process directly to the element-wise partial product results of the DNN parameters. Through this process, the size of the intermediate values generated in the inference process is reduced, allowing the accelerator to perform inference using fewer resources. All the floating-point parameters of the quantization algorithm are fixed in the form of a power of two so that the accelerator can efficiently process them. Through hardware-to-software co-optimization, I can efficiently process model inference using only integer and bit operations while saving 13.5%, 7.5%, and 15% on flip-flops, look-up tables, and inputs/outputs, respectively, with only a 3%–4% loss in accuracy.
더보기효율적인 딥러닝 모델의 엣지 컴퓨팅을 위해서는, 모델의 메모리 요구량과 연산양을 줄여 빠르게 추론 연산을 수행해야 한다. 이를 위해 딥러닝 양자화 기법과 딥러닝 가속기 연구들이 활발히 진행되고 있다. 하지만 이전의 연구들은 양자화 기법과 가속기 구조가 서로 최적화되어 있지 않아서, 양자화 기법이 적용된 모델을 전용가속기에서 추론할 때 복잡한 고정밀도 연산 로직이 필요하거나, 양자화 과정의 중간 연산 결과들을 저장하기 위해 굉장히 큰 리소스가 필요하였다. 이러한 문제들을 해결하기 위해 본 연구에서는 ‘Element-wise partial product quantization algorithm’ 이라는 새로운 양자화 기법과, 이 기법에 최적화된 새로운 하드웨어 가속기 구조를 제안한다. 기존의 양자화 기법과는 달리 본 연구에서는 딥러닝 모델 파라미터 간의 원소 별 연산 결과에 양자화를 먼저 적용하여 오차를 보정한 후 더하는 방식을 고안하였다. 이러한 방법을 통해 추론 과정에서 발생하는 output activation의 중간 연산 결과의 크기가 큰 폭으로 줄게 되고, 가속기에서 이를 저장할 때 적은 리소스만 필요하게 된다. 또한, 양자화 기법에는 정확도를 위해 scale을 곱해서 파라미터의 분포를 조정하는 과정이 필요한데, 기존 연구들은 이 값들이 높은 정밀도로 남아있었다. 본 연구에서는 이를 해결하기 위해 모든 값들을 이진 유리수 형태로 고정하여, 가속기에서 이를 처리할 때 매우 효율적인 정수 연산과 bit operation만으로 추론을 가능하게 하였다. 이러한 HW-SW 공동 최적화 방식을 통해, 본 연구는 약 3~4%정도의 정확도 손실은 있었지만 가속기 설계에 필요한 Flip flop, LUT, I/O를 각각 13.5%, 7%, 15%를 줄일 수 있었고, 모델의 추론을 정수 및 비트 연산만으로 효과적으로 수행할 수 있음을 보였다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)