| Περίληψη: | Η εδραίωση του Deep Learning τον 21ο αιώνα οδήγησε τον τομέα της τεχνητής νοημοσύνης σε μεγάλη άνθιση. Η ενασχόληση μεγάλου πλήθους ερευνητών σε ακαδημαϊκό και εταιρικό περιβάλλον με την βαθιά μάθηση, είχε ως συνέπεια την ανάπτυξη πολλών νέων αρχιτεκτονικών σχεδιασμού και τεχνολογιών υλικού. Η εξέλιξη των FPGA έφερε στο προσκήνιο τους επιταχυντές νευρωνικών δικτύων κάνοντας την μεγάλη πολυπλοκότητα των σύγχρονων μοντέλων πολύ πιο διαχειρίσιμη. Η Deep Learning Processor Unit (DPU), είναι μια επεξεργαστική μονάδα υλοποιήσιμη στην προγραμματιζόμενη λογική ενός FPGA η οποία είναι βελτιστοποιημένη για την εκτέλεση συνελικτικών νευρωνικών δικτύων. Τα Residual Networks είναι ισχυρά δίκτυα κατασκευασμένα από residual blocks, δηλαδή σετ συνελικτικών επιπέδων με μια παράκαμψη από την είσοδο στην έξοδο τους.
Η εργασία αυτή αξιοποιεί νέα εργαλεία και τρόπους να προσεγγίσουμε την ανάπτυξη νευρωνικών δικτύων σε FPGA μέσω μιας Deep Learning Processor Unit (DPU). Θα μελετηθούν απλά δίκτυα που θα αναπτύξουμε εμείς και δίκτυα Resnet μεγάλου βάθους, με σκοπό την δημιουργία συμπερασμάτων για τις διάφορες παραμέτρους λειτουργίας, όπως ο αριθμός των νημάτων εκτέλεσης, το βάθος ενός δικτύου, τις διαφορετικές προσεγγίσεις στην αρχιτεκτονική ενός δικτύου και την απόκριση του συστήματος στην εκτέλεση τους.
|
|---|
