Benchmarks. We compare the performa

Benchmarks. We compare the performance on two sets of models: uncompressed DNN model and the compressed DNN model. The uncompressed DNN model is obtained from Caffe model zoo [28] and NeuralTalk model zoo [7]; The compressed DNN model is produced as described in [16], [23]. The benchmark networks have 9 layers in total obtained from AlexNet, VGGNet, and NeuralTalk. We use the Image-Net dataset [29] and the Caffe [28] deep learning framework as golden model to verify the correctness of the hardware design.

結果 (繁體中文) 1:

基準。我們比較兩套模型的性能：無壓縮DNN模型和壓縮DNN模型。從來自Caffe模型動物園獲得未壓縮的DNN模型[28]和NeuralTalk動物園模型[7]; 壓縮DNN模型如[16]，[23]中描述的製備。基準網絡具有從AlexNet，VGGNet和NeuralTalk得到9層的總額。我們使用Image-Net的數據集[29]和來自Caffe [28]深學習框架，為金模型來驗證硬件設計的正確性。

結果 (繁體中文) 2:

基準。我們比較了兩組模型的性能：未壓縮 DNN 模型和壓縮 DNN 模型。未壓縮的DNN模型來自Caffe模型動物園[28]和神經對話模型動物園[7];壓縮 DNN 模型的製作情況如下 [16]，[23]。基準網路共有 9 個圖層，從 AlexNet、VGGNet 和神經對話中獲得。我們使用 Image-Net 資料集 [29] 和 Caffe [28] 深度學習框架作為黃金模型來驗證硬體設計的正確性。

結果 (繁體中文) 3:

基準。我們比較了兩組模型：未壓縮DNN模型和壓縮DNN模型的效能。未壓縮DNN模型從Caffe model zoo[28]和NeuralTalk model zoo[7]獲得；壓縮DNN模型如[16]、[23]所述生成。基準網絡共有9層，分別來自AlexNet、VGGNet和NeuralTalk。本文以影像網路資料集[29]和Caffe[28]深度學習框架為黃金模型，驗證了硬體設計的正確性。