Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| 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 |
Copyright © DIAS 2013
