Methodology of CNN Depiction and Acceleration with Tensorflow on FPGA

Μουσελίνος, Σπυρίδων; Mouselinos, Spyridon

dc.contributor.author	Μουσελίνος, Σπυρίδων	el
dc.contributor.author	Mouselinos, Spyridon	en
dc.date.accessioned	2019-07-10T07:57:58Z
dc.date.available	2019-07-10T07:57:58Z
dc.date.issued	2019-07-10
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49016
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16396
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Επιταχυντές	el
dc.subject	Συνέλιξη	el
dc.subject	Υλικά	el
dc.subject	Machine Learning	el
dc.subject	Neural Networks	el
dc.subject	Hardware	el
dc.subject	Accelerators	el
dc.subject	Convolution	el
dc.title	Methodology of CNN Depiction and Acceleration with Tensorflow on FPGA	en
dc.title	Μεθοδολογία Απεικόνισης και Επιτάχυνσης Συνελικτικών Νευρωνικών Δικτύων σε πλατφόρμες FPGA με Tensorflow	el
dc.contributor.department	Εργαστήριο Μικρουπολογιστών	el
heal.type	bachelorThesis
heal.secondaryTitle	Μεθοδολογία Απεικόνισης και Επιτάχυνσης Συνελικτικών Νευρωνικών Δικτύων σε πλατφόρμες FPGA με Tensorflow	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-02-21
heal.abstract	Τα τελευταία χρόνια όλο και περισσότερο βάρος δίνεται στην έρευνα και βελτιστοποίηση των Αλγορίθμων Μηχανικής Μάθησης και ̔ ̔Βαθειάς Γνώσης ̓ ̓ ιδιαίτερα με την μορφή των Νευρωνικών Δικτύων. Τα Νευρωνικά Δίκτυα αποτελούν υπολογιστικούς γράφους, εμπνευσμένους απο την λειτουργία των βιολογικών νευρώνων και έχουν ξεπεράσει σε απόδοση και ακρίβεια άλλες τεχνικες μηχανικής μάθησης καθώς και παραδοσιακές τεχνικές στατιστικής πρόβλεψης. Μια τέτοια κατηγορία Νευρωνικών Δικτύων αποτελούν τα Συνελικτικά Νευρωνικά Δίκτυα, με ιδιαίτερα επιτυχημένη εφαρμογή σε προβλήματα όρασης υπολογιστών όπως η ανα- γνώριση και κατηγοριοποίηση αντικειμένων. Τα προβλήματα όρασης ωστόσο συναντούνται κυρίως σε εφαρμογές και απαιτήσεις πραγματικου χρόνου, με την ταχύτητα και την κλιμάκωση των παραδοσιακών δομών υποστήριξης των υπολογισμών (π.χ ένας τυπικός επεξεργαστής ) να είναι ανεπαρκώς μικρές. Στόχος της εργασίας αυτής αποτελεί η παρουσίαση και εφαρμογή τεχνικών τόσο από θεωρητική σκοπία, όσο και σε επίπεδο υλικού, για την εξαγωγή μιας μεθοδολογίας απεικόνισης συνελικτικων νευρωνικών δικτύων σε πλατφόρμες FPGA. Συγκεκριμένα επιτυγχάνεται η αποδοτική σχεδίαση ενός επιταχυντή σε επίπεδο πυλών, καθώς και η παράθεση των αποτελεσμάτων με διάφορες παραλλαγές για το πρότυπο Συνελικτικό Νευρωνικό Δίκτυο αναγνώρισης χειρόγραφων ψηφίων MNIST. Αυτό που μπορεί να εξαχθεί ως γενικό συμπέρασμα της εργασίας είναι ότι η εξαγόμενη μεθοδολογία σχεδίασης επιλύει αποδοτικά προβλήματα πραγματικού χρόνου, θυσιάζοντας ελάχιστα την ακρίβεια για χάρη της ταχύτητας και έγκαιρης απόκρισης.	el
heal.advisorName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.	el
heal.fullTextAvailability	true