10210

بررسي و تحليل روش هاي پردازش سريع و بهره وري انرژي شتاب دهنده هاي شبكه هاي عصبي كانولوشن ( CNN )

1399-1400

دكتر حاكم بيت الهي

در چند سال گذشته، يادگيري عميق منجر به عملكرد بسيار¬خوب در زمينه مشكلات مختلف مانند تشخيص بصري، تشخيص گفتار و پردازش زبان طبيعي شده است. در بين انواع مختلف شبكه¬هاي ¬عصبي عميق، شبكه¬ي¬ عصبي كانولوشن (CNN) به دليل دقت بالا و عملكرد خوب به طور گسترده مورد مطالعه قرار¬گرفته ¬است. با توجه به نيازهاي محاسباتي بالاي CNN¬ها، شتاب ¬دهنده¬هاي سخت¬افزاري سفارشي براي افزايش عملكرد آن¬ها مورد توجه هستند. بهره¬وري انرژي بالا، قابليت¬هاي محاسباتي و قابليت پيكربندي مجدد FPGA، آن را به يك جايگزين اميدوار¬كننده براي تسريع سخت¬افزاري CNN¬ها تبديل مي¬كند. مدل‌هاي شبكه ¬عصبي عميق موجود از نظر محاسباتي گران و از نظرحافظه فشرده هستندكه مانع استقرار آن¬ها در دستگاه‌هايي با منابع حافظه كم يا در برنامه‌هايي با نيازهاي تأخير شديد مي‌شوند. بر اين اساس، تكنيك¬هايي كه پردازش كارآمد CNN¬ها را براي بهبود بهره¬وري انرژي و توان مصرفي بدون از دست دادن دقت برنامه يا افزايش هزينه سخت افزار امكان پذير مي¬كند، براي استقرار گسترده CNN¬ها در سيستم¬هاي هوش مصنوعي بسيار مهم است. دراين راستا اين پژوهش با هدف ارائه يك آموزش جامع در مورد پيشرفت¬هاي اخير به منظور امكان پردازش كارآمد CNN¬ها ارائه شده است. به طور خاص، اين گزارش يك نماي كلي از CNN¬ها ارائه مي¬دهد، در مورد بستر¬هاي سخت افزاري مختلف كه از CNN پشتيباني مي¬كنند بحث مي¬كند و تكنيك¬هاي كليدي در كاهش هزينه محاسبه و بهبود بهره¬وري و توان مصرفي CNN¬ها را نشان مي-دهد. براي هر مورد، تجزيه و تحليل روشنگري در مورد عملكرد، برنامه¬هاي كاربردي مرتبط، مزايا و معايب آن ارائه مي¬دهد. در نهايت، چالش‌هاي باقي‌مانده و جهت‌هاي ممكن براي كارهاي آينده را مورد بحث قرار مي‌دهد.

12/1/2021 12:00:00 AM

73344

1400/09/21

Investigation and analysis of fast processing methods and energy efficiency of convolutional neural network (CNN) accelerators

شبكه هاي عصبي كانولوشن (CNN) , آرايه دروازه قابل برنامه ريزي (FPGA) , شتاب سخت افزاري , كمي سازي

(CNN) convolutional neural network , (field-programmable gate array (FPGA , Hardware acceleration , Quantization