Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| 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 |
Copyright © DIAS 2013
