ارائه­ دهنده:

  استاد راهنما:

خانم دکتر هاجر فلاحتی

هیات داوران:
 آقای دکتر حاکم بیت‌الهی
آقای دکتر پژمان لطفی کامران

زمان:
شنبه ۱۴۰۰/۰۲/۲۵

آقای مسعود پیرو دانشجوی کارشناسی ارشد سرکار خانم دکتر هاجر فلاحتی روز شنبه  ۲۵  اردیبهشت ماه ساعت ۱۶:۳۰ از پروژه کارشناسی ارشد خود تحت عنوان "ارائه یک شتاب­دهنده پویای شبکه عصبی کانولوشنی عمیق با کارایی بالا بر پایه معماری قابل باز پیکربندی" دفاع خواهند نمود

چکیده پایان نامه:
شبکه‌ی عصبی عمیق یکی از متداول‌ترین روش‌های یادگیری ماشین است و در کاربردهای بسیاری مانند پردازش تصویر، پردازش متن، تحلیل اقتصادی و پزشکی کاربرد دارد. اجرای شبکه­های عصبی عمیق نیازمند بستر پردازشی مناسب برای حل چالش‌های پردازشی و حافظه (ذخیره و انتقال حجم بالای داده) هستند. پروژهش­های اخیر روش­هایی برای پراکنده­کردن وکاهش دقت داده­ها در شبکه عصبی ارایه کرده­اند. با استفاده از این روش­ها، شبکه عصبی تنک می­شود و احتمال تکرار داده­ها افزایش می­یابد. اگرچه این روش­ها، نظم محاسباتی را از بین می­برند  و سربار حافظه دارند. پژوهش­های پیشین برای استفاده از پتانسیل موجود و مدیریت سربارها، مکانیزم­های جریان داده و سخت­افزار آگاه از پراکندگی و شباهت داده ارایه کرده­اند. هرچند هیچ­یک از این روش­ها همزمان از پرداکندگی و اشتراک داده هم در وزن و هم در داده ورودی استفاده نکرده­اند.
در این پژوهش، قصد داریم روشی برای مرحله استنتاج شبکه کانولوشنی عمیق ارایه کنیم، به­گونه­ای که هم‌زمان از پتانسیل پراکندگی، کاهش دقت داده‌ها و شباهت میان مقادیر داده­های شبکه (هم وزن و هم داده ورودی) بهره بگیرد. برای این منظور، با بررسی شبکه، وزن­های ورودی و داده­های ورودی، از روش­های کوآنتیزیشن برای وزن­ها و ورودی­ها استفاده می­کنیم. در ادامه وزن­ها و داده­های تکراری و صفر را شناسایی می­کنیم و برای کاهش بی­نظمی، یک جریان داده معرفی می­کنیم. هر چند روش پیشنهادی، در سطح بالا قابلیت انطباق با سایر شتاب‌دهنده‌ها را دارد. در انتها، یک معماری شتاب­دهنده جدید برای اجرای جریان داده ارایه می­کنیم.
ارزیابی معماری پیشنهادی بر روی چهار شبکه عصبی معروف نشان می­دهد که روش پیشنهادی، ×۱۸ کارایی بالاتر و ×۸۳ انرژی مصرفی کمتری در مقایسه با شتاب‌دهنده Eyeriss، دارد. همچنین در مقایسه با شتاب‌دهنده‌های آگاه از پراکندگی و شباهت ، از لحاظ کارایی به ترتیب ×۶/۴ و ×۵/۴ برابر و از لحاظ کاهش انرژی مصرفی به ترتیب ×۳ و ×۸/۵ برابر بهبود داریم.

واژگان کلیدی: شبکه‌های عصبی کانولوشنی عمیق، شتاب‌دهنده­، پراکندگی، اشتراک‌گیری، کوانتیزیشن، آرایه‌های منطقی برنامه‌پذیر، مدارات یکپارچه خاص منظوره، قابلیت بازپیکربندی، شبکه آگاه از داده.