5. 实验评估
5.1 实验配置
为了评估FINN,我们创建了一个原型,加速BNN推理MNIST15,CIFAR-1013和裁剪SVHN18的图像数据集。每个原型结合了BNN拓扑和不同的用例场景。我们考虑了三种不同的BNN拓扑来对数据集进行分类如下:
1)SFC和LFC是三层全连接的网络拓扑,用于对MNIST数据集进行分类,使用不同数量的神经元来证明计算的准确性权衡(3.2节)。SFC每层256个神经元,准确率为95.83%,LFC每层1024个神经元,准确率为98.4%。这些网络接受28x28的二进制图像,并输出一个10位one-hot向量来表示该数字。
2)CNV是受BinaryNet[5]和VGG-16[24]启发而设计的卷积网络拓扑。它包含一个连续的(3x3 convolution, 3x3 convolution, 2x2 maxpool)层,重复3次,64-128-256通道,然后是两个完全连接的层,每个层有512个神经元。我们使用这个拓扑对CIFAR-10(80.1%的准确性)和SVHN(94.9%的准确性)数据集进行分类,它们具有不同的权重和阈值。注意,第一层的输入和最后一层的输出不是二值化的;CNV接受24bit