← 返回 JSSC 论文列表JSSC 2021第9期Digital Circuits65nmNeural Network Accelerator
GANPU An Energy-Efficient Multi-DNN Training Processor for GANs With Speculative
GANPU是一种高效能的多DNN训练处理器，专为GAN设计，适用于移动设备。
75.68 TFLOPS/W for 16-bit floating-point computation
生成对抗网络能效多DNN训练移动设备隐私保护
▸创新点1：自适应时空工作负载复用（系统创新） - 通过动态调整计算资源在时间和空间上的分配，优化多个DNN在单个GAN模型中的并行执行，显著提高硬件利用率，解决了GAN中不同网络和层间操作特性差异大的问题。
▸创新点2：双稀疏利用架构（电路创新） - 设计了一种新型处理架构，能够同时利用输入和输出特征的ReLU稀疏性，跳过冗余的零值计算，提升计算效率，适用于推理和训练两种场景。
▸创新点3：指数ReLU推测算法（方法创新） - 提出了一种轻量级的PE架构和算法，仅通过指数部分预测输出特征的零值位置，减少了硬件开销，实现了75.68 TFLOPS/W的能效，比现有技术高4.85倍。
Abstract
This article presents generative adversarial network
processing unit (GANPU), an energy-efficient multiple deep
neural network (DNN) training processor for GANs. It enables
on-device training of GANs on performance- and battery-limited
mobile devices, without sending user-specific data to servers,
fully evading privacy concerns. Training GANs require a massive
amount of computation, and therefore, it is difficult to accelerate
in a resource-constrained platform. Besides, networks and layers
in GANs