机器中心精加工
参与：优秀的耳机
NeurlPS 2019大会正在加拿大温哥华举行。昨天，麻省理工学院教授Vivienne Sze在大会上做了关于深度神经网络加速的演讲，提供了视频和同步PPT。通过两个小时的精彩演讲和140页的PPT，这场演讲可以用追赶神经网络加速这个快速发展的领域来形容。
近日，NeurlPS2019大会发布了题为《深度神经网络：从算法到硬件架构的高效处理》的演讲。本讲座主要介绍可以让硬件高效处理深度神经网络(DNN)计算的各种方法，包括在计算机视觉、语音识别、机器人学等领域。涉及的硬件包括从中央处理器、图形处理器到现场可编程门阵列、专用集成电路等各种计算硬件。
地址(包括同步PPT):https://slidslive.com/38921492/深度神经网络从算法到硬件架构的高效处理PPT地址：http://eyeriss.mit.edu/2019_neurips_tutorial.pdf
演讲者是来自麻省理工学院的节能多媒体系统小组Vivienne Sze。她在多伦多大学学习，在麻省理工学院完成了电子工程博士学位，现在麻省理工学院任教。xqdqyg的主要研究方向是移动多媒体设备的高性能算法和应用架构。
xqdqyg .
DNN加速法涵盖了所有
这篇演讲的主题是硬件设备中DNN的高效计算和处理方法。随着深度学习算法效率的逐步提高，计算速度、时延、能耗和硬件成本成为制约算法性能的瓶颈。如果能够解决这些问题，包括自动驾驶、无人机导航、智能手机、可穿戴设备和物联网设备，都可以从算法性能的提升中受益。
在演讲中，xqdqyg将首先介绍DNN算法以及在各种硬件上部署时可能出现的性能损失。更重要的是，讲座提到了基准测试和评估标准对高效DNN算法设计的影响。之后，xqdqyg将从算法和硬件架构两个方面介绍降低能耗的方法。同时，演讲还将涵盖这些方法在计算机视觉等领域的应用。Xqdqyg获得了许多奖项，如谷歌和脸书的教师奖。
这篇演讲的主要目的如下：
1.硬件有很多方法可以高效处理many2.注意评估方法，包括设计DNN硬件处理器和DNN模型；DNN硬件处理器和DNN模型的设计方法：在研究过程中，你应该问哪些关键问题？3.具体来说，演讲也会讨论；真正需要评价比较的评价指标体系；实现这些目标的挑战；了解设计中需要考虑的问题以及在平衡算法性能和能耗时可能遇到的问题；4.注重硬件推理，但包含部分培训内容。
在讲解过程中，xqdqyg会穿插大量的插图和案例，让介绍更加充实有趣。
语音目录
以下是演讲目录：
深度神经网络概述：关键指标和设计目标；设计考虑：CPU和GPU平台；专用/专用平台；质量保证；算法(DNN模型)和硬件联合设计；其他平台；系统评价DNN处理机的工具：
从视频来看，xqdqyg以严谨细致的方式介绍了该领域几乎所有的内容，非常适合在实际应用中需要了解各种硬件加速方法的研究人员和开发人员。机器之心已经选择并编译了主要内容：
关键内容
演讲开始时，xqdqyg回顾了深度学习的发展，并简要提到了一些主要的DNN模型。
后来她介绍了消费的评价模式。
能方面的一些关键指标。她指出，指标体系实际上比人们想的要丰富和复杂得多。比如说，在评价模型的时候，要更多地关注到诸如延迟性（在交互式应用中）、能耗、硬件成本、灵活性和可扩展性等方面。这些指标背后，都应当有具体可量化的目标。因此，在演讲中，xqdqyg将这些目标分解为多个实际的子任务目标，并量化了所需要经过的步骤和方法。并根据分解任务和分析后的结果提出应当进行优化的环节，以及具体的方法，整个讲解鞭辟入里。
要达成这些指标，需要的不仅仅是算法方面的优化。xqdqyg同时也介绍了设计方面应当考虑的目标和任务，并分解成了软件和硬件层面，并给出了详细的分解。
演讲中还值得一提的是，xqdqyg提到了算法和硬件协同设计的思路。通过这样的方式，更好更快地达到目标。
甚至有对神经架构搜索一类算法的设计思路整理。
最后，xqdqyg对整个演讲进行了总结。
从演讲内容来看，xqdqyg的思路非常清楚。她首先为「高效加速 DNN」提出了评价标准和对应的分解任务和目标，并根据这些目标提出相应的方法。期间还囊括了不同的硬件平台、算法和任务，可谓是「一条龙」介绍。机器之心在此推荐读者朋友观看演讲，定能有所收获。
当然，除了 xqdqyg的演讲外，机器之心还会继续关注重要的 Tutorial 并推荐给大家。欢迎读者们继续关注 NeurlPS2019 大会相关报道。