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 |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: