Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

TensorGlue: a framework for FPGA-based deep learning design

Giakoumakis Pavlos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/69B2ABAE-EA90-4347-BFDC-5352F4F01B5E-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.83920-
Γλώσσαen-
Μέγεθος98 pagesen
ΤίτλοςTensorGlue: a framework for FPGA-based deep learning designen
ΔημιουργόςGiakoumakis Pavlosen
ΔημιουργόςΓιακουμακης Παυλοςel
Συντελεστής [Επιβλέπων Καθηγητής]Dollas Apostolosen
Συντελεστής [Επιβλέπων Καθηγητής]Δολλας Αποστολοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Zervakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ζερβακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Papaefstathiou Ioannisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Παπαευσταθιου Ιωαννηςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηIn 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
ΠερίληψηΣε 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
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc-nd/4.0/en
Ημερομηνία2019-11-27-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαDeep learning designen
Θεματική ΚατηγορίαVery high-level synthesisen
Βιβλιογραφική ΑναφοράPavlos Giakoumakis, "TensorGlue: a framework for FPGA-based deep learning design", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en
Βιβλιογραφική ΑναφοράΠαύλος Γιακουμάκης, "TensorGlue: a framework for FPGA-based deep learning design", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά