Xeon 中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

用於深度類神經晶片內網路運算之動態映射演算法與資料共享機制

為了解決Xeon 中文的問題，作者王俊權 這樣論述：

近年來隨著深度神經網路(Deep Neural Networks, DNNs)的出現，機器學習的發展以及應用程度被推升到了一個新的高度，深度神經網路透過搭配各式各樣不同的類神經網路層，例如：全連接層、池化層、卷積層等等，不論是在圖像辨識、語言處理或是語音辨識都取得了優秀的成績。然而，儘管深度神經網路在AI應用上帶來了大量的優勢，但在深度神經網路高準確率下，隨之而來的是高複雜度運算成本。因此，高效的深度神經網路加速器設計在近年來備受關注。為了支援大量的運算需求，將導致硬體加速器與晶片外記憶體密集的資料傳輸。傳統的深度神經網路加速器通常使用以矩陣為主的運算單元架構設計來有效的降低密集的記憶體存取

。然而，以矩陣為主的運算單元架構之彈性度，會因為固定的資料流傳輸而受到限制。近年來，由於晶片內網路(Network on Chip, NoC)的互連構已被證明能有效地提升多核心系統中內部通信之彈性度，因此以晶片內網路為主之深度類神經網路加速器設計方式是十分有吸引力之選擇。為了讓深度神經網路能在硬體資源有限的加速器設計上運算，我們透過將深度神經網路模型切割為多次運算的方式，因而提出了動態映射演算法將深度神經網路分次映射於硬體加速器上運算。因為動態映射演算法會使得深度神經網路模型中同一層內的運算有機會被分為多次映射。因此在動態映射演算法的基礎下，我們提出了資料共享機制更進一步的提升資料重複使用率以

降低與晶片外記憶體的讀取次數，並透過翻轉映射規則以減少在資料共享機制下所需的共享資料傳輸時間。由於動態映射演算法將深度神經網路模型依據晶片內網路硬體資源拆分為多次運算，因此與相關研究相比之下，將有助於資源有限所設計之加速器能運算更大型的類神經網路模型。在加入資料共享機制以及翻轉映射規則將能提高輸入資料的重複使用率以及減少資料重用時所需傳輸時間，並且減少了在分次運算的過程中輸入資料與外記憶體重複讀取的浪費，因此在運算LeNet 模型和AlexNet模型上將減少總運算時間最多15.41%和4.59%以及減少25.83%和7.01%的記憶體存取次數。此外，基於不同的參數設計下，我們實現了相對應的硬體

加速器以驗證我們提出的設計方法，並且與相關研究比較之下，該設計方法能夠提升硬體效率22.5% 到190%，在我們所提出的設計方法下，該加速器能達到高彈性、高擴展性以及以有限硬體資源的設計下支援目標深度神經網路模型的運算。