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
هنوز بررسی‌ای ثبت نشده است.