Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA
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 εξέλι...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16536 |
| id |
nemertes-10889-16536 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-165362022-09-05T13:56:27Z Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA Hardware architectures based on Deep Learning Processor Units (DPUs) and implementation on FPGA Χρυσοβιτσάνος, Νικόλαος Chrysovitsanos, Nikolaos Βαθιά μάθηση Επιταχυντές υλικού Residual neural netowrks DPU Hardware accelerators 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. The establishment of Deep Learning in the 21st century has led the field of artificial intelligence to flourish. The engagement of a large number of researchers in academic and corporate environments with deep learning has resulted in the development of many new design architectures and hardware technologies. The evolution of FPGAs brought neural network accelerators to the fore, making the high complexity of modern models much more manageable. The Deep Learning Processor Unit (DPU), is a processing unit implemented in the programmable logic of an FPGA, which is optimized for the execution of convolutional neural networks. Residual Networks are powerful networks made of residual blocks, i.e. sets of convolutional layers with a shortcut from their input to their output. This work exploits new tools and ways to approach the development of neural networks on FPGA through a Deep Learning Processor Unit (DPU). Simple networks that we will develop and deep Resnets will be studied, in order to draw conclusions about the various operating parameters, such as the number of execution threads, the depth of a network, different approaches to network architecture and the system's response to their execution. 2022-07-15T08:59:02Z 2022-07-15T08:59:02Z 2022-07-13 http://hdl.handle.net/10889/16536 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά μάθηση Επιταχυντές υλικού Residual neural netowrks DPU Hardware accelerators |
| spellingShingle |
Βαθιά μάθηση Επιταχυντές υλικού Residual neural netowrks DPU Hardware accelerators Χρυσοβιτσάνος, Νικόλαος Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA |
| description |
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. |
| author2 |
Chrysovitsanos, Nikolaos |
| author_facet |
Chrysovitsanos, Nikolaos Χρυσοβιτσάνος, Νικόλαος |
| author |
Χρυσοβιτσάνος, Νικόλαος |
| author_sort |
Χρυσοβιτσάνος, Νικόλαος |
| title |
Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA |
| title_short |
Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA |
| title_full |
Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA |
| title_fullStr |
Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA |
| title_full_unstemmed |
Αρχιτεκτονικές υλικού βασισμένες σε Deep Learning Processor Units (DPUs) και υλοποίηση σε FPGA |
| title_sort |
αρχιτεκτονικές υλικού βασισμένες σε deep learning processor units (dpus) και υλοποίηση σε fpga |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16536 |
| work_keys_str_mv |
AT chrysobitsanosnikolaos architektonikesylikoubasismenessedeeplearningprocessorunitsdpuskaiylopoiēsēsefpga AT chrysobitsanosnikolaos hardwarearchitecturesbasedondeeplearningprocessorunitsdpusandimplementationonfpga |
| _version_ |
1771297224242757632 |
