《表1 节点信息：基于FPGA的递归神经网络加速器的研究进展》
提示：宽带有限、当前游客访问压缩模式
线性量化和非线性量化技术都可以将RNN的参数进行压缩，加速处理单元的计算速度。为了方便对比各方法的优劣，本文将参考文献中用到的数据量化技术及相应的加速器性能列在表1中。
| 图表编号 | XD0078257700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.15 |
| 作者 | 高琛、张帆 |
| 绘制单位 | 国家数字交换系统工程技术研究中心、国家数字交换系统工程技术研究中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 FPGA加速效果：基于FPGA的卷积神经网络定点加速》2020.10.10
- 《表2 资源利用情况：基于FPGA的卷积神经网络定点加速》2020.10.10
- 《表5 各节点性能对比：基于ZYNQ集群的神经形态计算加速研究与实现》2020.11.01
- 《表6 不同基于FPGA的CNN加速器的比较》2021.03.10
- 《表1 语义特征影响结果：基于递归神经网络的英语翻译方法》2020.11.25
- 《表5 基于FPGA的VGG加速器对比》2021.02.06
- 《表1 网络结构信息：基于FPGA的可配置神经网络硬件设计》2020.12.20
- 《表3:FPGA硬件实现：一种支持稀疏卷积的深度神经网络加速器的设计》2020.02.15
- 《表2 实验设备信息：DNS权威服务器FPGA加速技术研究》2020.04.20
- 《表3 资源占用信息：DNS权威服务器FPGA加速技术研究》2020.04.20
- 《表4 神经网络FPGA加速器比较》2020.03.01
- 《表3 计算平台性能比较：基于ARM+FPGA平台的二值神经网络加速方法研究》2020.03.01
- 《表1 神经网络模型：基于ARM+FPGA平台的二值神经网络加速方法研究》2020.03.01
- 《表3 服务器节点信息：基于激励机制的网络攻防演化博弈模型研究》2020.01.01
- 《表1 资源使用量：基于FPGA加速的卷积神经网络识别系统》2020.02.06
- 《表2 FPGA资源耗费：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表1 资源耗费比较：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表1 节点信息：基于FPGA的递归神经网络加速器的研究进展》2019.08.15
- 《表1 摸底测试结果：基于虚拟FPGA的数据库运算加速装置设计》2019.12.25
- 《表2 加速测试结果：基于虚拟FPGA的数据库运算加速装置设计》2019.12.25