Phasor-Driven Acceleration for FFT-based CNNs

最近深度学习（DL）的研究探讨了使用快速傅里叶变换（FFT）来加速卷积神经网络（CNNs）中涉及的计算，通过在频域上用元素乘法代替空间卷积。这些方法主要依赖FFT来减少操作次数，可以通过采用实值FFT进一步减少。本文提出了使用相量形式，即复数的极坐标表示，作为传统方法的更有效替代方案。在CIFAR-10上进行的实验结果表明，与现代CNN架构中采用的矩形形式相比，我们的方法在训练期间可以实现高达1.376倍（平均为1.316倍）的速度提升，在推理期间可以实现高达1.390倍（平均为1.321倍）的速度提升。同样，在CIFAR-100上进行评估时，我们的方法在训练期间可以实现高达1.375倍（平均为1.299倍）的速度提升，在推理期间可以实现高达1.387倍（平均为1.300倍）的速度提升。最重要的是，由于我们方法的模块化特性，所提出的方法可以应用于任何现有的基于卷积的DL模型，无需进行设计更改。

本论文旨在通过使用极坐标形式的相位器，替代传统的矩形形式，加速卷积神经网络中的计算，提高性能。

使用相位器的极坐标形式来代替传统的矩形形式，以提高卷积神经网络的计算速度和性能。

论文使用CIFAR-10和CIFAR-100数据集进行实验，结果表明该方法在训练和推理过程中的速度提升效果显著，且可以应用于任何现有的卷积神经网络模型而无需进行设计更改。

最近的相关研究包括使用FFT加速卷积神经网络的方法。