文献『From Model to FPGA: Software-Hardware Co-Design for Efficient Neural Network Acceleration』を読む。

#目的
Kaiyuan Guo, Lingzhi Sui, Jiantao Qiu, Song Yao, Song Han, Yu Wang, Huazhong Yang1.
From Model to FPGA: Software-Hardware Co-Design for Efficient Neural Network Acceleration.
2016 IEEE Hot Chips 28 Symposium (HCS)

この文献は、以下で公開されている。
https://www.hotchips.org/wp-content/uploads/hc_archives/hc28/HC28.22-Monday-Epub/HC28.22.40-Vision-Image-Epub/HC28.22.411-Neural-Net-Accleration-Yao-DeePhi-0821.pdf

ディープラーニングのモデルの処理量を知りたい場合がある。
処理量としては、G-Ops等で示されているのが、扱いやすい。
処理量が記載された文書やサイトは沢山あるが、どれが、語弊のない数値が書かれているか、判断つかないときがある。
少し、情報を集めたいと考えました。
この文献は、ディープラーニングのFPGA実装(xillinx)を検討する場合に役立ちます。
ただし、やや古い情報のため、これをベースに、更に、新しい情報を探されるといいと思います。

　まず、この文献は、書籍からも参照されていたので、ある程度、信頼できると考えた。以下の方に役立つと思います。

　　　・ディープラーニングのモデルの処理量（GOPSなど）を知りたい人

#よく見る情報

（適宜、追記します。まずは、この文献の存在の紹介が主な意図です。）

model	Gop	備考
VGG16 Image classification	30.68	13 Conv layers
YOLO Tiny General object detection	5.54	9 Conv layers
Customized Network Face alignment	0.1046 ※1	9 Conv layers
※1 資料では、104.6 Mop と記載。

#まとめ
この文献は、よく見ます。
下記の書籍でも、引用されていました。
　「GPUを支える技術　超並列ハードウェアの快進撃[技術基礎]」

#関連（本人）

DNNのモデル毎の処理量(GOP)をまとめる

良書 「GPUを支える技術　超並列ハードウェアの快進撃[技術基礎]」を読む

文献『AN ANALYSIS OF DEEP NEURAL NETWORK MODELS FOR PRACTICAL APPLICATIONS』を読む。

#今後
適宜、情報を足します。
コメントなどあれば、お願いします。