بهبود دقت و کارایی در شبکه‌های عصبی کانولوشنی با استفاده از روش‌های محاسبات تقریبی

برای اینکه شبکه‌های عصبی، بیشترین بازده را داشته باشند، الگوریتم‌های مورد استفاده در آن‌ها بایستی شبکه‌هایی عمیق با لایه‌های فراوان داشته باشند، که این امر نیاز به قدرت محاسباتیِ بسیار بالا چه در مرحله‌ی آموزش شبکه و چه در مرحله‌ی استنتاج دارد. در سال‌های اخیر محاسبات تقریبی، یکی از امیدبخش‌ترین رویکردها برای کاهش مصرف انرژی در برنامه‌هایی که قابلیت تحمل درجه‌ای از کاهش دقت را دارند، بوده است. روش‌های محاسبات تقریبی نرم‌افزاری، سخت‌افزاری و ترکیبی، هر سه توانسته‌اند سهم بسزایی در بهینه‌سازی شبکه‌های عصبی داشته باشند. استفاده از روش‌های نرم‌افزاریِ هَرس کردن و روش‌های سخت‌افزاریِ ضرب‌کننده‌های تقریبی و ذخیره‌ی الگوهای تکراری محاسباتی و همچنین روش‌های ترکیبیِ کوانتیزیشن در شبکه‌های عصبی کانوولوشن، نمود عملیِ این رویکردها در شبکه‌های عصبی می‌باشد. در این مقاله با استفاده از روشی نوین برای لایه اول یک شبکه عصبی کانولوشنی، بر مبنای خوشه بندی k- means کارایی، اندازه پارامترها و دقت در شبکه‌های عصبی کانولوشنی گوناگون بهبود داده شد.