| Περίληψη: | Τα νευρωνικά δίκτυα και η τεχνητή νοημοσύνη αποτελούν πλέον μέρος της καθημερινότητας όλων μας και φαίνεται να αποτελούν λύση για πολλά προβλήματα όπου αυστηρός προγραμματισμός και καθορισμός λύσης είναι από πολύ δύσκολος έως αδύνατος. Παραδείγματα τέτοιων εφαρμογών αποτελούν η αναγνώριση προσώπου ή αντικειμένου (classification) για ξεκλείδωμα με αναγνώριση προσώπου σε υπολογιστές και κινητά, ή ο εντοπισμός αντικειμένων και η εκτίμηση της απόστασης αυτών από το σημείο παρατήρησης.
Λόγω του τεράστιου όγκου των εφαρμογών για τις οποίες επιστρατεύονται τα νευρωνικά δίκτυα, πολλές φορές η υλοποίηση αυτών περιορίζεται από τις ανάγκες της κάθε εφαρμογής, αλλά και τις ικανότητες της συσκευής που είναι διαθέσιμη για επιστράτευση της ανάλογης μεθόδου. Κάρτες γραφικών με πολλαπλούς πυρήνες και μεγάλη υπολογιστική ισχύ, παρότι είναι πολύ χρήσιμες για την ανάπτυξη και την εκπαίδευση τέτοιων δικτύων, είναι ακριβές, ογκώδεις και ενεργοβόρες, ενώ συχνά δεν αποτελούν καν επιλογή, όπως για παράδειγμα σε κινητές συσκευές με αυστηρά καθορισμένα περιθώρια διαστάσεων και χωρητικότητας μπαταρίας. Στην παρούσα εργασία θα παρουσιαστεί ένας επιταχυντής υλικού για ένα συνελικτικό νευρωνικό δίκτυο, το Mobilenet V3. Η απόδοση του επιταχυντή θα μετρηθεί σύμφωνα με τα διάφορα metrics που αξιολογείται το αρχικό software μοντέλο (accuracy, certainty…), αλλά και σε σχέση με τη χρονική απόκρισή του (latency) και θα γίνει σύγκριση των επιδόσεών του με άλλες υλοποιήσεις που έχουν προταθεί στην επιστημονική κοινότητα. Ακόμα θα παρουσιαστεί πώς η υλοποίηση του νευρωνικού μοντέλου αντιστοιχίστηκε στο υλικό και πώς βελτιστοποιήθηκε ώστε να παρατηρηθεί η τελική απόδοση.
|
|---|
