طراحي يك شتاب‌دهنده كارآمد جهت طبقه‌بندي تصوير به‌وسيله شبكه‌هاي عصبي عميق كانولوشني

دكتري

امروزه شبكه‌هاي عصبي عميق كانولوشني از جايگاه ويژه‌اي در كاربردهاي مربوط به يادگيري ماشين به‌ويژه طبقه‌بندي تصوير و شناسايي اشياء برخوردار است. از مهم‌ترين ويژگي‌هاي اين شبكه مي‌توان به‌دقت بالاي آن در طبقه‌بندي تصاوير اشاره كرد. در كنار اين كارآمدي، همواره پياده‌سازي اين شبكه‌ها بر روي سخت‌افزار به‌عنوان يكي از چالش‌هاي اساسي شناخته مي‌شود. حجم عظيم محاسبات و پهناي باند بالاي دسترسي به حافظه سبب شده است توان و منابع مصرفي سطح تراشه به‌صورت قابل‌ملاحظه‌اي افزايش يابد. به‌عنوان مثال، در شبكه‌هاي عصبي عميق كانولوشني مشهور مانند LeNet، AlexNet و VGGNet به‌ترتيب از 341 هزار، 724 ميليون و 15.5 گيگا عمل ضرب و جمع كانولوشني استفاده مي‌شود. بنابراين توجه به اين دو چالش اساسي يعني نحوه دسترسي به حافظه و پردازش محاسبات حائز اهميت خواهد بود. اخيراً، استفاده از محاسبات تقريبي به‌عنوان يك راه‌حل اساسي براي رفع اين محدوديت‌ها، توجه محققان را به خود جلب كرده است. تمركز اصلي كارهاي گذشته بيشتر بر روي استفاده از محاسبات تقريبي در سطح معماري، داده‌هاي ورودي و وزن‌ها بوده است، حال آن‌كه در اين رساله به امكان استفاده از مقادير پيكسل‌ها در تصاوير در بهره‌گيري از اين نوع محاسبات جهت افزايش كارايي سخت‌افزار، پرداخته شده است. در بسياري از كاربرد‌هاي شبكه‌هاي عصبي عميق از دست دادن مقدار ناچيزي از دقت قابل‌قبول خواهد بود. در واقع، مي‌توان با كاهش اندك دقت اين شبكه‌ها، بهره‌وري پياده‌سازي آن‌ها بر روي سخت‌افزار را به‌صورت قابل‌توجهي افزايش داد. كانولوشن دوبعدي به‌عنوان يك عملگر پايه در شبكه‌هاي عصبي عميق كانولوشني شناخته مي‌شود كه عمليات ضرب و جمع كه اصلي‌ترين عامل استفاده از توان و منابع مصرفي بر روي سخت‌افزار است، در آن انجام مي‌شود. در اين رساله، با ارائه يك كانوالور تقريبي و استفاده از آن بر روي شبكه‌هاي عصبي عميق كانولوشني، يك شتاب‌دهنده شبكه‌هاي عصبي عميق جهت طبقه‌بندي تصوير طراحي شده است. در ادامه، جهت مديريت خطاي شبكه‌هاي عصبي عميق كانولوشني در طبقه‌بندي تصوير، اين كانوالور تقريبي به يك نمونه تركيبي ارتقاء يافته است كه سبب خواهد شد با توجه به ميزان دقت مورد قبول كاربردها و با تنظيم مقدار حد آستانه، اين مسئله مديريت شود. سرانجام، پس از سنتز شتاب‌دهنده شبكه عصبي عميق كانولوشني طراحي شده بر روي دستگاه FPGA Zynq7020، توان مصرفي سطح تراشه بين 24 تا 75 درصد به‌ازاي روش‌هاي مختلف كاهش مي‌يابد. اين مهم در حالي به‌دست آمده كه همچنان ميزان دقت شبكه با استفاده بيش از 50 درصد مسير تقريبي موجود در كانوالور تركيبي، بدون تغيير باقي مي‌ماند و اگر تا حدود 70 درصد افزايش يابد ميزان دقت كمتر از 1 درصد افت خواهد كرد. سرانجام، اين دقت براي بسياري از كاربردهاي مبتني بر شبكه‌هاي عصبي عميق قابل‌قبول خواهد بود

227499

دانشگاه اصفهان

مهدي كلباسي

مهندسي كامپيوتر - معماري سيستمهاي كامپيوتر

مهران رضائي