Publication

Computational memory-based inference and training of deep neural networks

Irem Boybat Kara
2019
Conference Papers

Résumé

In-memory computing is an emerging computing paradigm where certain computational tasks are performed in place in a computational memory unit by exploiting the physical attributes of the memory devices, Here, we present an overview of the application of in-memory computing in deep learning, a branch of machine learning that has significantly contributed to the recent explosive growth in artificial intelligence. The methodology for both inference and training of deep neural networks is presented along with experimental results using phase-change memory (PCM) devices.

Source officielle

https://infoscience.epfl.ch/entities/publication/8406eb2c-d691-4144-b1ca-bdeb60ec4f42

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Computational memory-based inference and training of deep neural networks

Chattez avec Graph Search

Mitigating imaging systematics for DESI 2024 emission Line Galaxies and beyond

Unsupervised Multi-view UAV Image Geo-localization via Iterative Rendering

Infusing structured knowledge priors in neural models for sample-efficient symbolic reasoning