TensorGlue: a framework for FPGA-based deep learning design

Giakoumakis Pavlos

URI	http://purl.tuc.gr/dl/dias/69B2ABAE-EA90-4347-BFDC-5352F4F01B5E	-
Identifier	https://doi.org/10.26233/heallink.tuc.83920	-
Language	en	-
Extent	98 pages	en
Title	TensorGlue: a framework for FPGA-based deep learning design	en
Creator	Giakoumakis Pavlos	en
Creator	Γιακουμακης Παυλος	el
Contributor [Thesis Supervisor]	Dollas Apostolos	en
Contributor [Thesis Supervisor]	Δολλας Αποστολος	el
Contributor [Committee Member]	Zervakis Michail	en
Contributor [Committee Member]	Ζερβακης Μιχαηλ	el
Contributor [Committee Member]	Papaefstathiou Ioannis	en
Contributor [Committee Member]	Παπαευσταθιου Ιωαννης	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Content Summary	In a deep learning framework, the designer provides a description of the neural network architecture, in the form of a computational graph (data-flow graph). The tool is able process this graph and either run it efficiently on fixed-hardware, or generate automatically additional graphs to train the neural network. Nevertheless, this kind of formalization using computational graphs is very close to the hardware design process. The graph can be processed in many ways to not only run the described architecture on fixed-hardware, but to generate hardware designs as well. In this work, we designed and implemented a novel framework that resembles deep learning frameworks but generates hardware designs in the form of synthesizable C++.	en
Content Summary	Σε ένα deep learning framework, ο σχεδιαστής δημιουργεί μια περιγραφή της αρχιστεκτονικής του Νευρωνικού Δικτύου με τη μορφή υπολογιστικών γράφων. Το εργαλείο έχει τη δυνατότητα να επεξεργαστεί τον γράφο και να τον εκτελέσει αποδοτικά σε fixed-hardware, ή να δημιουργήσει και να εκτελέσει έναν γράφο για την εκπαίδευση του νευρωνικού δικτύου. Ωστόσο, οι γράφοι περιγράφουν το πρόβλημα με ένα πολύ βολικό τρόπο, που βρίσκεται πολύ κοντά στη διαδικασία της σχεδίασης hardware. Υπάρχει εγγενώς η δυνατότητα να επεξεργαστούμε τον γράφο και να δημιουργήσουμε το ίδιο το hardware, αντί απλά να τον τρέξουμε σε fixed-hardware πόρους. Σε αυτή την εργασία, σχεδιάσαμε και υλοποιήσαμε ένα νέο framework που μοιαζει με τα deep learning frameworks αλλα δημιουργεί hardware με τη μορφή συνθέσιμης C++.	el
Type of Item	Μεταπτυχιακή Διατριβή	el
Type of Item	Master Thesis	en
License	http://creativecommons.org/licenses/by-nc-nd/4.0/	en
Date of Item	2019-11-27	-
Date of Publication	2019	-
Subject	Deep learning design	en
Subject	Very high-level synthesis	en
Bibliographic Citation	Pavlos Giakoumakis, "TensorGlue: a framework for FPGA-based deep learning design", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019	en
Bibliographic Citation	Παύλος Γιακουμάκης, "TensorGlue: a framework for FPGA-based deep learning design", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019	el

Search

Browse

My Space

TensorGlue: a framework for FPGA-based deep learning design

Giakoumakis Pavlos

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: