Back to search

National and Kapodistrian University of Athens

Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης

Abstract

dc:description

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 .

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Χατζηγεωργίου Παναγιώτης
  • Chatzigeorgiou Panagiotis

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:2876915

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Χατζηγεωργίου Παναγιώτης; Chatzigeorgiou Panagiotis. Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης. 2019. https://pergamos.lib.uoa.gr/uoa/dl/object/2876915