表 5.1 列出了 DNN（深度学习 AI 芯片）和 SNN（类脑芯片）之间主要特征的区别。如前所述，DNN 中每个计算阶段的等待时间都很长，因为必须在输入图像上完成每个阶段的整个计算才能生成相应的输出。相反，在 SNN 处理中，计算是逐个脉冲执行的，因此，一旦收集到足以证明某个特征存在的脉冲，就会在计算层中生成输出脉冲。这样，输出就是一个脉冲流，它几乎与输入脉冲流同步。因此，在 SNN 中，每个输入脉冲都会用处理硬件几乎实时地进行处理，只要有足够的输入事件允许系统作出决定，就执行分类或识别。另外，就功耗而言，DNN 的功耗取决于处理器的功耗及存储器的读写操作，但 SNN 的功耗很大程度上取决于激发和编码策略的统计信息，如果使用有效的编码策略，由于脉冲的稀疏性，整个系统的功耗会相对低得多。
与 DNN 相比，SNN 有诸多优势。例如，由于 SNN 中的信号强度不是由脉冲幅度来表示的，而是以恒定幅度的信号的时间宽度或时间间隔表示，幅度小、功耗低。此外，即使信号序列的一部分被噪声破坏，也可以从其余部分解码信息，因此 SNN 具有强大的抗噪能力。SNN 还可以通过少量数据进行学习，并可以进行在线学习和终身学习，以及强大的预测等。
表 5.1 DNN 和 SNN 之间主要特征的区别
此外，由于典型的 SNN 不会将 MAC 或反向传播作为其功能的一部分，因此它可以在常规 CPU 上完美运行，但在更昂贵且耗电量大的 GPU 上运行则得不到任何好处。由于基于 SNN 的 ASIC 更轻便、功耗更低，因此对于边缘侧应用更具吸引力。现在，DNN 中使用的反向传播方法已被扩展并用于 SNN，但精度不是很高。
鲁克鲍尔·博多（Rueckauer Bodo）等人讨论了 SNN 和 DNN 对最终分类精度的影响 [88] 。在分类精度方面，一般来说，SNN 要比 DNN 低，但是也有
（本章节未完结，点击下一页翻页继续阅读）
正在加载...