Zobrazeno 1 - 10
of 55
pro vyhledávání: '"Arthur, John V."'
Autor:
Mckinstry, Jeffrey L, Barch, Davis R., Bablani, Deepika, Debole, Michael V., Esser, Steven K., Kusnitz, Jeffrey A., Arthur, John V., Modha, Dharmendra S.
Low precision networks in the reinforcement learning (RL) setting are relatively unexplored because of the limitations of binary activations for function approximation. Here, in the discrete action ATARI domain, we demonstrate, for the first time, th
Externí odkaz:
http://arxiv.org/abs/1809.09260
Discovering Low-Precision Networks Close to Full-Precision Networks for Efficient Embedded Inference
Autor:
McKinstry, Jeffrey L., Esser, Steven K., Appuswamy, Rathinakumar, Bablani, Deepika, Arthur, John V., Yildiz, Izzet B., Modha, Dharmendra S.
To realize the promise of ubiquitous embedded deep network inference, it is essential to seek limits of energy and area efficiency. To this end, low-precision networks offer tremendous promise because both energy and area scale down quadratically wit
Externí odkaz:
http://arxiv.org/abs/1809.04191
Autor:
Esser, Steven K., Merolla, Paul A., Arthur, John V., Cassidy, Andrew S., Appuswamy, Rathinakumar, Andreopoulos, Alexander, Berg, David J., McKinstry, Jeffrey L., Melano, Timothy, Barch, Davis R., di Nolfo, Carmelo, Datta, Pallab, Amir, Arnon, Taba, Brian, Flickner, Myron D., Modha, Dharmendra S.
Publikováno v:
PNAS 113 (2016) 11441-11446
Deep networks are now able to achieve human-level performance on a broad spectrum of recognition tasks. Independently, neuromorphic computing has now demonstrated unprecedented energy-efficiency through a new chip architecture based on spiking neuron
Externí odkaz:
http://arxiv.org/abs/1603.08270
Autor:
Pedroni, Bruno U., Das, Srinjoy, Arthur, John V., Merolla, Paul A., Jackson, Bryan L., Modha, Dharmendra S., Kreutz-Delgado, Kenneth, Cauwenberghs, Gert
Stochastic neural networks such as Restricted Boltzmann Machines (RBMs) have been successfully used in applications ranging from speech recognition to image classification. Inference and learning in these algorithms use a Markov Chain Monte Carlo pro
Externí odkaz:
http://arxiv.org/abs/1509.07302
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Merolla, Paul A., Arthur, John V., Alvarez-Icaza, Rodrigo, Cassidy, Andrew S., Sawada, Jun, Akopyan, Filipp, Jackson, Bryan L., Imam, Nabil, Guo, Chen, Nakamura, Yutaka, Brezzo, Bernard, Vo, Ivan, Esser, Steven K., Appuswamy, Rathinakumar, Taba, Brian, Amir, Arnon, Flickner, Myron D., Risk, William P., Manohar, Rajit, Modha, Dharmendra S.
Publikováno v:
Science, 2014 Aug 01. 345(6197), 668-673.
Externí odkaz:
http://www.jstor.org/stable/24745271
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.