Co-Design of Binarized Deep Learning.
저자
발행사항
Ann Arbor : ProQuest Dissertations & Theses, 2023
학위수여대학
Cornell University Electrical and Computer Engineering
수여연도
2023
작성언어
영어
주제어
학위
Ph.D.
페이지수
175 p.
지도교수/심사위원
Advisor: Zhang, Zhiru.
The 2010s oversees the explosive growth of deep learning and its profound impact beyond. This technology has fundamentally revolutionized the paradigm of pattern recognition and decision making in a wide range of applications and is believed to be one step further towards machine intelligence. One common trend observed by researchers over the years is the persistent scaling of model, data, and hardware. In fact, today’s large-scale deep learning models have hundreds of billions of parameters and septillions (1024) of floating-point operations, trained on thousands of chips using trillions of tokens. Consequently, deploying such models at scale keeps stretching the limit of today’s supercomputers.The core problem studied in this dissertation is quantizing deep neural networks to one bit. Quantization reduces the number of bits in numerical representations. Quantizing matrix multiplications, the most compute-intensive part of deep neural networks, can substantially reduce their energy footprint and improve their performance. One-bit quantization, referred to as binarization, embraces its extreme benefit. Although there is a lack of theoretical evidence, binarization empirically suffers from degraded model qualities. This dissertation explores the possibility of co-designing both high-quality and high-performance binarized neural networks (BNNs). In part one, it introduces the precision gating (PG) technique that leverages additional sparse binary matrix multiplications to improve the accuracy of existing BNN architectures. The result BNN with PG, named as FracBNN, for the first time achieves the same accuracy as a well-known compact floating-point network MobileNetV2 and is capable of performing real-time inference on an embedded FPGA. In part two, it introduces the design methodology of PokeBNN, a novel vision BNN architecture that establishes a new Pareto-state-of-the-art in terms of the accuracy-efficiency trade-off. In part three, it further explores binarized Transformer-based language models. The one-bit weight-binarized Transformer demonstrates no quality loss on WMT De-En translation dataset and a similar scaling trend as its floating-point counterpart when evaluated on Google Translate’s production-scale dataset. Finally, the dissertation presents a comprehensive and automated model deployment framework for quantized deep neural networks. With one line of code addition, the framework can deploy mixed-precision models on CPUs and demonstrate a practical acceleration.
분석정보
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)