Μονάδα:
Κατεύθυνση Ηλεκτρονικός Αυτοματισμός (Η/Α, με πρόσθετη εξειδίκευση στην Πληροφορική και στα πληροφοριακά συστήματα)Βιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2019-06-26
Συγγραφέας:
Χατζηγεωργίου Παναγιώτης
Στοιχεία επιβλεπόντων καθηγητών:
Λεντάρης Γεώργιος, Εθνικό Μετσόβιο Πολυτεχνείο
Πρωτότυπος Τίτλος:
Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης
Περίληψη:
Με τον όρο «Μηχανική Μάθηση» αναφερόμαστε στο επιστημονικό πεδίο, το
οποίο ασχολείται αποκλειστικά με τη μελέτη αλγορίθμων που αναπτύχθηκαν για την
αναγνώριση προτύπων και τη θεωρία μάθησης στην τεχνητή νοημοσύνη.
Με τη συνεχώς διευρυνόμενη χρήση των μέσων ενημέρωσης, αλλά και με τη
διάδοση του Internet of Things (ΙοΤ) και των Μεγάλων Δεδομένων (Big Data) οι
απαιτήσεις για την ταχύτητα επεξεργασίας δεδομένων έχουν αυξηθεί. Παράλληλα η
ανάγκη για διατήρηση χαμηλού κόστους ενέργειας και χρόνου ανάπτυξης, οδήγησαν
στη διάδοση της χρήσης αλγορίθμων μηχανικής μάθησης σε πολλά συστήματα.
Για τους παραπάνω λόγους τα Συνελικτικά Νευρωνικά Δίκτυα Βαθιάς
Μάθησης (Deep Convolutional Neural Networks, DCNNs), στη σύγχρονη εποχή,
έχουν μεγάλη ζήτηση. Τα συγκεκριμένα συστήματα προσφέρουν αρκετά καλή
ακρίβεια στις προβλέψεις τους, ενώ παράλληλα έχουν μεγάλη ευελιξία ως προς τη
χρήση τους. Οι αλγόριθμοι, που χρησιμοποιούνται στα συγκεκριμένα συστήματα,
στηρίζονται στον ανθρώπινο εγκέφαλο και στον τρόπο με τον οποίο αυτός λειτουργεί.
Στην αναγνώριση προτύπων εικόνας, επί παραδείγματι, τα δίκτυα αυτά συνιστώνται
από μία αλληλουχία διαδοχικών στρωμάτων ανιχνευτών προτύπων και στη συνέχεια
μέσω ταξινομητών κατορθώνουν με μεγάλη ακρίβεια να διακρίνουν μέσω της
μηχανικής μάθησης μία εικόνα, όπως ένας άνθρωπος.
Για τον ακριβή υπολογισμό και την ενδελεχή ανάλυση πολύ μεγάλων
ποσοτήτων δεδομένων απαιτούνται μεγάλα ποσά ενέργειας. Η ανάγκη για τη μείωση
του ενεργειακού κόστους και του χρόνου υπολογισμού των δεδομένων έχει γίνει
πλέον πιο επιτακτική από ποτέ. Με την εξέλιξη των FPGAs (Field Programmable
Gate Arrays), η υλοποίηση συστημάτων με τη χρήση επιταχυντών υλικού υψηλής
απόδοσης (hardware accelerators) και σε πολύ μικρά ενεργειακά κόστη έχει δει
μεγάλη πρόοδο.
Στη συγκεκριμένη εργασία θα παρουσιαστεί ο τρόπος με τον οποίο μπορεί
κανείς να λάβει ένα DCNN (Deep Convolutional Neural Network ) το οποίο
λειτουργεί σε μορφή πλατφόρμας σε επίπεδο λογισμικού και να το μεταφέρει σε
επίπεδο πλακέτας FPGA. Το DCNN που θα χρησιμοποιηθεί είναι το Caffe. Το Caffe
είναι μία πλατφόρμα βαθιάς μάθησης του Πανεπιστημίου του Berkley (UC Berkley)
~ 4 ~που έχει αναπτυχθεί και εφαρμοστεί σε δύο διαφορετικές αρχιτεκτονικές CPU
(Central Processing Unit) και GPU (Graphics Processing Unit).
Στην εργασία αυτή θα δοθούν οι βασικές οδηγίες για τη μεταφορά της
πλατφόρμας του Caffe και σε FPGAs, οι δυσκολίες που αντιμετωπίστηκαν και η
αλληλεπίδραση του νέου Caffe, το οποίο έχει γίνει cross - compiled για ARM
επεξεργαστή με το Vivado HLS 2018.3. Τέλος θα παρουσιαστούν θεωρητικά
αποτελέσματα από την εφαρμογή διαφόρων τύπων νευρωνικών δικτύων σε
συγκεκριμένα FPGA boards .
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
FPGA, Zybo, CNNs, DNNs, Cifar10, Caffe, Cross-Compiling, Vivado HLS, Neural Networks, ARM processor.
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
44
Αρχείο:
Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.
Master_Thesis_Final_ Chatzigeorgiou_Panagiotis.pdf
2 MB
Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.
