ApproxANN: An Approximate Computing Framework for Artificial Neural Network
主要是解读自己阅读的这篇论文里的3.1节部分——神经元关键性分析
- 定义关键性
神经元上小的扰动会导致大的输出质量退化,这就是关键性神经元。退化越大,该神经元越关键。 - 关键性分析的旧方法
给每个神经元注入随机误差,记录对最终输出的影响 - 缺点
不实用,单个神经元影响太小,而无法被大规模网络很好监测 - 本文的新方法
提出有效的基于理论的神经元关键性分析方法 - 具体
最终成本函数E=12∑k=1c(tk−zk)2=12||t−z||2
第i个神经元关键性,记作nci ,包括输出层的ncoi 和隐藏层的nchi 。
可由其倒数表示nci=∂E∂neti
ncok=∂E∂netok=∂12∑ck=1(tk−zk)2∂zk.∂zk∂netok=−(tk−zk).f′(netok)
同理,
nchj=∂E∂yj.∂yj∂nethj=f′(nethj).∑t=1cncokwkj