摘要
[1]. , “ 通过反向传播错误学习表征 ,” 自然 ，卷。 323 ，没有。 6088 ，第页。 533 , 1986 . 谷歌学者 
交叉引用 
[2]. , “ 神经网络中的随机梯度学习 ,” 神经网络研究进展 ，卷。 91 ，没有。 8 ，第页。 12 , 1991. 谷歌学者 [3]. , “ 霍格沃德！： 一种并行化随机梯度下降的无锁方法 ，“in 神经信息处理系统研究进展 2011年，pp。 693 – 701 . 谷歌学者 [4]. , “ 驯服野外：霍格沃德的统一分析- 样式算法 ，“in 神经信息处理系统研究进展 ，2015年，pp。 2674 – 2682 . 谷歌学者 [5]. , “ 用低精度乘法训练深度神经网络 ，“arXiv预打印arXiv： 1412.7024 , 2014 . 谷歌学者 [6]. , “ 有限数值精度的深度学习 ，“in 机器学习国际会议 2015年，pp。 1737 – 1746 . 谷歌学者 [7]. , “ 深度压缩：使用修剪、训练量化和哈夫曼编码压缩深度神经网络 ，“arXiv预打印arXiv： 1510.00149 , 2015 . 谷歌学者 [8]. , “ 理解和优化异步低精度随机梯度下降 ，“in 计算机体系结构（ISCA），2017 ACM/IEEE第44届年度国际研讨会 IEEE，2017年，pp。 561 – 574 . 谷歌学者 [9]. , “ 近似：迭代方法的近似计算框架 ，“in 第51届设计自动化年会会议记录 美国机械工程师协会，2014年，pp。 1 – 6 . 谷歌学者 [10]. , “ 梯度下降优化算法综述 ，“arXiv预打印arXiv： 1609.04747 , 2016 . 谷歌学者 [11]. , “ 玩Atari游戏进行深度强化学习 ，“arXiv预打印arXiv： 1312.5602 , 2013 . 谷歌学者 [12]. Xilinx公司( 2017 ) Xilinx Kintex UltraScale FPGA KCU1500加速开发工具包 . https://www.xilinx.com/products/boards-and-kits/dk-u1-kcu1500-g.html 谷歌学者 [13]. , “ 基于FPGA的深度卷积神经网络加速器优化设计 ，“in 2015年ACM/SIGDA现场可编程门阵列国际研讨会会议记录 ACM，2015年，pp。 161 – 170 . 谷歌学者 数字图书馆 
[14]. 英伟达。 ( 2018 ) cuDNN开发人员指南 . https://docs.nvidia.com/deeplearning/sdk/cudnn-developer-guide/index.html 谷歌学者 [15]. , “ FPGA加速密集线性机器学习：一种精确收敛权衡 ，“in 2017年IEEE第25届现场可编程定制计算机（FCCM）年度国际研讨会 IEEE，2017年，pp。 160 – 167 . 谷歌学者 [16]. , “ DoReFa-Net：训练具有低比特宽梯度的低比特宽卷积神经网络 ，“arXiv预打印arXiv： 1606.06160 , 2016 . 谷歌学者 [17]. , “ 一种精确的二元卷积神经网络 ，“in 神经信息处理系统研究进展 2017年，pp。 345 – 353 . 谷歌学者 [18]. , 强化学习：简介 . 麻省理工学院出版社剑桥 , 1998 ，卷。 1 . 谷歌学者 数字图书馆 [19]. , “ 强化学习：教程调查和最新进展 ,” 信息计算杂志 ，卷。 21 ，没有。 2 ，第页。 178 – 192 , 2009 . 谷歌学者 数字图书馆 [20]. , “ 构建和理解自适应系统：工厂自动化和大脑研究的统计/数值方法 ,” IEEE系统、人与控制论汇刊 ，卷。 17 ，没有。 1 ，第页。 7 – 20 ，1月 1987 . 谷歌学者 数字图书馆 [21]. , “ 可解决学习控制难题的类神经自适应元件 ,” IEEE系统、人与控制论汇刊 ，卷。 SMC-13公司 ，没有。 5 ，第页。 834 – 846 ，9月 1983 . 谷歌学者 交叉引用
建议
使用英特尔®；FPGA探索低数值精度深度学习推断：（仅摘要） FPGA’18：2018年ACM/SIGDA现场可编程门阵列国际研讨会论文集 卷积神经网络已被证明在量化到8位时保持合理的分类精度，然而，量化到亚8位的激活和权重可能导致分类精度下降到可接受的水平以下。。。 使用CCC框架的SGD行为合成：一种简单的XOR求解MLP 摘要 行为合成通过生成为FPGA和SoC平台或定制硅器件（如ASIC）配置的特定于任务的硬件，实现设计过程的自动化。 相关商业工具的流程可以带来显著的。。。 SGD：隐式正则化、批量大小和多阶段的作用 NIPS’21：第35届神经信息处理系统国际会议论文集 对于大型过参数化模型的学习，多点、小范围、随机梯度下降（SGD）已成为首选方法。 解释SGD为什么在实践中运行良好的一个流行理论是，该算法具有隐式。。。
