TensorGlue: a framework for FPGA-based deep learning design

Giakoumakis Pavlos

URI	http://purl.tuc.gr/dl/dias/69B2ABAE-EA90-4347-BFDC-5352F4F01B5E	-
Αναγνωριστικό	https://doi.org/10.26233/heallink.tuc.83920	-
Γλώσσα	en	-
Μέγεθος	98 pages	en
Τίτλος	TensorGlue: a framework for FPGA-based deep learning design	en
Δημιουργός	Giakoumakis Pavlos	en
Δημιουργός	Γιακουμακης Παυλος	el
Συντελεστής [Επιβλέπων Καθηγητής]	Dollas Apostolos	en
Συντελεστής [Επιβλέπων Καθηγητής]	Δολλας Αποστολος	el
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Zervakis Michail	en
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Ζερβακης Μιχαηλ	el
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Papaefstathiou Ioannis	en
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Παπαευσταθιου Ιωαννης	el
Εκδότης	Πολυτεχνείο Κρήτης	el
Εκδότης	Technical University of Crete	en
Ακαδημαϊκή Μονάδα	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Περίληψη	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
Περίληψη	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
Τύπος	Μεταπτυχιακή Διατριβή	el
Τύπος	Master Thesis	en
Άδεια Χρήσης	http://creativecommons.org/licenses/by-nc-nd/4.0/	en
Ημερομηνία	2019-11-27	-
Ημερομηνία Δημοσίευσης	2019	-
Θεματική Κατηγορία	Deep learning design	en
Θεματική Κατηγορία	Very high-level synthesis	en
Βιβλιογραφική Αναφορά	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
Βιβλιογραφική Αναφορά	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

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

TensorGlue: a framework for FPGA-based deep learning design

Giakoumakis Pavlos

Διαθέσιμα αρχεία

Υπηρεσίες

Εξαγωγή

Κοινοποίηση

Στατιστικά

Μεταδεδομένων & Περιεχομένου σε METS:

Μεταδεδομένων σε Μορφότυπο: