典型文献
基于图卷积网络的卷积神经网络耗时预测算法
文献摘要：
通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注.现有耗时预测算法主要面临2个问题:卷积神经网络设计空间采样复杂度高,数据采集成本高;无法准确预测硬件编译器的算子融合技术对推理耗时的影响.为了解决上述问题,提出了一种基于图卷积网络(GCN)的耗时预测算法,将整体网络耗时看作多节点耗时补偿的累加,并利用图卷积对结构算子融合产生的耗时影响进行建模.同时,提出一种新型差分训练方案,减少采样空间规模,提高算法的泛化能力.在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明:所提算法可将耗时估计的平均相对误差从传统算法的302％降低到5.3％.另外,通过将传统耗时预测算法替换成所提算法进行耗时评估,可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络.
文献关键词：
耗时预测;图卷积网络;深度学习;网络结构搜索;模型部署
中图分类号：
作者姓名：
李哲暘;张如意;谭文明;任烨;雷鸣;吴昊
作者机构：
杭州海康威视数字技术股份有限公司,杭州310051;杭州海康威视系统技术有限公司,杭州310051
文献出处：
引用格式：
[1]李哲暘;张如意;谭文明;任烨;雷鸣;吴昊-.基于图卷积网络的卷积神经网络耗时预测算法)[J].北京航空航天大学学报,2022(12):2450-2459
A类：
耗时预测,HISI3559
B类：
图卷积网络,预测算法,可学,网络设计,设计空间,空间采样,准确预测,编译器,融合技术,GCN,多节点,累加,训练方案,少采,空间规模,泛化能力,硬件平台,MB,连续空间,样模,平均相对误差,传统算法,替换成,时评,网络结构搜索,搜索算法,模型部署
AB值：
0.266514
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
