{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2876915"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2876915","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης","abstract":"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 .","abstract_html":"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 .","abstract_has_math":false,"creators":["Χατζηγεωργίου Παναγιώτης","Chatzigeorgiou Panagiotis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:35:32Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2876915"],"render_values":[{"text":"uoadl:2876915","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2876915","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2876915","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2876915","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χατζηγεωργίου Παναγιώτης","Chatzigeorgiou Panagiotis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2876915","https://pergamos.lib.uoa.gr/uoa/dl/object/2876915"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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 .","By \"Machine Learning\" we refer to the scientific field, which deals exclusively with the study of algorithms developed for the pattern recognition and learning theory in artificial intelligence. With the ever-expanding use of the media, Internet of Things (IOT) and Big Data, requirements for data processing speed have increased. At the same time need for maintaining low-cost energy and growth time, led in spreading the use of engineering learning algorithms in many systems. For all the above reasons, Deep Convolutional Neural Networks (DCNNs),in the modern era, are in great demand. These systems offer fairly accurate predictions, while they have great flexibility in their use. The algorithms used in these systems are based on the human brain and the way it works. In recognizing image patterns, for example, these networks are constituted by a sequence of successive layers of pattern detectors, and then through classifiers they manage to accurately distinguish, through machine learning, an image, such as a human being. Accurate calculation and thorough analysis of very large amounts of data requires large amounts of energy. The need to reduce energy costs and the time to calculate data has become more imperative than ever before. With the development of FPGAs (Field Programmable Gate Arrays), the implementation of systems using hardware accelerators and very low energy costs has seen great progress. This paper will show how to get a DCNN (Deep Convolutional Neural Network) that works in platform-level software and transfer it to a FPGA board level. The DCNN to be used is Caffe. Caffe is a deep learning platform at the University of Berkeley (UC Berkley) developed and implemented in two different CPU (Central Processing Unit) and GPU (Graphics Processing Unit) architectures. This paper will also provide basic instructions for transferring the Caffe platform and FPGAs, the difficulties encountered and the interaction of the new Caffe, which has been cross-compiled for ARM processor with the Vivado HLS 2018.3. Finally, theoretical results will be presented by the application of various types of neural networks on specific FPGA boards."]},{"key":"dc:title","label":"Title","values":["Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Χατζηγεωργίου Παναγιώτης","Chatzigeorgiou Panagiotis"],"dc:date":["2019"],"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 .","By \"Machine Learning\" we refer to the scientific field, which deals exclusively with the study of algorithms developed for the pattern recognition and learning theory in artificial intelligence. With the ever-expanding use of the media, Internet of Things (IOT) and Big Data, requirements for data processing speed have increased. At the same time need for maintaining low-cost energy and growth time, led in spreading the use of engineering learning algorithms in many systems. For all the above reasons, Deep Convolutional Neural Networks (DCNNs),in the modern era, are in great demand. These systems offer fairly accurate predictions, while they have great flexibility in their use. The algorithms used in these systems are based on the human brain and the way it works. In recognizing image patterns, for example, these networks are constituted by a sequence of successive layers of pattern detectors, and then through classifiers they manage to accurately distinguish, through machine learning, an image, such as a human being. Accurate calculation and thorough analysis of very large amounts of data requires large amounts of energy. The need to reduce energy costs and the time to calculate data has become more imperative than ever before. With the development of FPGAs (Field Programmable Gate Arrays), the implementation of systems using hardware accelerators and very low energy costs has seen great progress. This paper will show how to get a DCNN (Deep Convolutional Neural Network) that works in platform-level software and transfer it to a FPGA board level. The DCNN to be used is Caffe. Caffe is a deep learning platform at the University of Berkeley (UC Berkley) developed and implemented in two different CPU (Central Processing Unit) and GPU (Graphics Processing Unit) architectures. This paper will also provide basic instructions for transferring the Caffe platform and FPGAs, the difficulties encountered and the interaction of the new Caffe, which has been cross-compiled for ARM processor with the Vivado HLS 2018.3. Finally, theoretical results will be presented by the application of various types of neural networks on specific FPGA boards."],"dc:identifier":["uoadl:2876915","https://pergamos.lib.uoa.gr/uoa/dl/object/2876915"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Μέθοδοι Αυτοματοποίησης της διαδικασίας επιτάχυνσης σε FPGA για Νευρωνικά Δίκτυα που προκύπτουν από περιβάλλον Βαθιάς Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:35:32Z"}