ابزارتولید و بهینه‌سازی شبکه‌های یادگیری عمیق برای پیاده¬سازی روی FPGA ها

14,800 تومان

نوع مقاله مقاله فارسی
عنوان مقاله ابزارتولید و بهینهسازی شبکههای یادگیری عمیق برای پیاده­سازی روی FPGA ها
سال نشر  1400
فرمت مقاله  تایپ شده در Word
تعداد صفحات مقاله  21

توضیحات

ابزارتولید و بهینهسازی شبکههای یادگیری عمیق برای پیاده ­سازی روی FPGA ها

مقدمه

در گذر زمان و با پیشرفت تکنولوژی‌های سخت‌افزاری، در زمینه‌هایی مانند افزایش قدرت پردازشی و افزایش فضای ذخیره‌سازی، باعث شد تا الگوریتم‌های هوش مصنوعی[1] مورد توجه قرار بگیرند و امکان استفاده‌ی عمومی آن­ها فراهم شود، تا با استفاده از این الگوریتم‌ها امکان حل مسائلی که برای انسان غیر‌ممکن بود فراهم شود. از جمله الگوریتم‌های مهم هوش‌مصنوعی و یادگیری ماشین، الگوریتم‌های یادگیری عمیق[2] و شبکه‌های عصبی[3] هستند که امروزه نقش مهمی را در بین الگوریتم‌های هوش‌مصنوعی بازی می کنند. بهینه‌سازی شبکه‌های یادگیری عمیق

یکی از نو‌آوری‌های مهم شبکه‌های عصبی، شبکه‌های عصبی بازگشتی[4] هستند. این نوع شبکه‌ها به گونه‌ای طراحی شده اند که از فرایند یادگیری نورون[5]های مغز انسان تقلید می‌کنند. به همین علت می‌توانند روی داده‌های توالی‌پذیر مانند صوت یا متن پردازش انجام دهند و مانند یک انسان به یادگیری و پیدا کردن الگوهای موجود در داده‌­ها و پیش‌بینی بپردازدند. از مهمترین کاربردهای شبکه‌های عصبی بازگشتی، پردازش زبان‌های طبیعی [1]، سیستم تشخیص گفتار [2]، سیستم تشخیص صوت [3] [6]، و سیستم تشخیص دست­‌خط [4] است.

امروزه‌ از شبکه‌های عصبی بازگشتی ساده به دلیل حافظه بسیار کوتاه آن که باعث از بین رفتن گرادیان می‌شود استفاده نمی‌شود.[5] دو نوع مهم شبکه‌های عصبی که امروزه به صورت گسترده مورد استفاده قرار می‌گیرند شبکه‌های LSTM و GRU[6] هستند. این شبکه‌های عصبی مشکل شبکه‌­های عصبی ساده­تر را ندارند و ارتباط بین داده­‌های متوالی را حفظ می­کنند.

برای پیاده ­سازی این شبکه‌های عصبی از GPU ها استفاده می‌شود. GPU ها با توجه به امکان اجرای موازی، بستر خوبی برای اجرای الگوریتم­‌های شبکه­‌های عصبی هستند. اما برای اجرای این الگوریتم‌­ها می­توان از FPGA ها نیز استفاده کرد. FPGAها هم مانند GPUها امکان اجرای موازی الگوریتم­‌ها را دارند. و با توجه به اینکه FPGAها مصرف توان کمتری دارند و این امکان را می‌دهند تا برای هر الگوریتم معماری مناسب و بهینه طراحی کنیم، آن­ها را گزینه مناسب‌تری برای پیاده‌سازی شبکه‌های عصبی بازگشتی می‌کند. ولی به علت اینکه اجرای الگوریتم‌های پیچیده مانند الگوریتم‌های هوش‌مصنوعی و بهینه‌سازی آن‌ها کاری زمان­بر و نیاز به تجربه کافی در زمینه پیاده‌سازی سخت‌افزاری الگوریتم‌ها دارد، عموما برای پیاده­‌سازی الگوریتم‌های شبکه‌های عصبی از بستر‌های نرم‌افزاری موجود و GPU استفاده می­شود.

در این مقاله، قصد داریم تا با ترکیب راهکار‌های سخت افزاری و نرم افزاری پیاده­سازی شبکه‌های عصبی این امکان را فراهم کنیم تا بتوان شبکه‌ی عصبی تولید شده در سطح نرم‌افزار را به شبکه عصبی بهینه‌سازی شده و  قابل پیاده‌سازی روی سخت‌افزار تبدیل کنیم. بدین ترتیب علاوه بر تولید سریع شبکه، شبکه بهینه و مناسب برای پیاده­‌سازی سخت­افزاری تولید می­گردد. همچین از طریق این راهکار، این امکان فراهم می­شود تا کاربران نرم‌افزاری هم بتوانند شبکه‌ی عصبی خود را با کمترین دانش سخت‌افزاری روی FPGA پیاده­ سازی کنند.

 

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه(نظر) ارسال کنند.