بهبود کارایی شبکه های عصبی عمیق با استفاده از حساب تقریبی و سنتز سطح بالا

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: بهبود کارایی شبکه های عصبی عمیق با استفاده از حساب تقریبی و سنتز سطح بالا

ارائه دهنده: Provider: سمیّه کیانی

اساتید راهنما: Supervisors: دکتر حاتم عبدلی

اساتید مشاور: Advisory Professors: دکتر محرم منصوری زاده

اساتید ممتحن یا داور: Examining professors or referees: دکتر میرحسین دزفولیان- دکتر مهدی عباسی

زمان و تاریخ ارائه: Time and date of presentation: 1401/04/07 11:30-13:00

مکان ارائه: Place of presentation: آمفی تئاتر

چکیده: Abstract: امروزه الگوریتم‌های یادگیری ماشین و یادگیری عمیق در زمینه‌های مختلف بسیار پرکاربرد هستند. روش‌های متعددی برای حل مشکلات سرعت و زمان اجرای این الگوریتم‌ها پیشنهاد شده ولی متاسفانه تا کنون به نتیجه‌ای که بتوان این الگوریتم‌ها را در زمان مناسب اجرا کرد، نرسیده‌اند. از آنجایی که این الگوریتم‌ها در بسیاری از حوزه¬های هوش مصنوعی مانند بینایی ماشین، تشخیص گفتار، تشخیص جسم و ... کاربرد دارند، در این پژوهش قصد داریم با استفاده از رایانش تقریبی، کارایی و همچنین بهره-وری انرژی مصرفی آنها را بهبود دهیم. در این پایان‌نامه، نسخه‌ای جدید از روش های محاسبات تقریبی برای کاهش زمان اجرا در الگوریتم های شبکه‌های عصبی ارائه شده است، از آنجایی که در این الگوریتم ها مسئله اصلی زیاد بودن زمان اجرای الگوریتم¬ها است، زمان اجرا را با استفاده از رایانش تقریبی و رویکرد سنتز سطح بالا کم کرده¬ایم، بطوریکه دقت را تا حد ممکن قربانی زمان اجرای محاسبات می‌کنیم. از طرفی هم مطلع هستیم که شبکه¬های عصبی تحمل‌پذیری خطا دارند، پس لزومی ندارد که پیاده¬سازی الگوریتم‌های محاسباتی خیلی دقیق باشند؛ در نتیجه می خواهیم دقت محاسبات را به اندازه‌ای که مورد نیاز است و به این الگوریتم لطمه وارد نکند، طراحی کنیم. نتیجه این کار باعث کوچکتر شدن مدار، بالا بردن سرعت پردازش یا فرکانس کار مدار و همچنین کاهش توان مصرفی مدار است. هدف از انجام این پایان نامه، بررسی عوامل موثر در بهبود سرعت و زمان اجرای الگوریتم‌های شبکه‌های عصبی کانولوشن در پردازش تصویر است. شبکه عصبی کانولوشن به عنوان یکی از بهترین و پرکاربردترین شبکه‌ها در زمینه پردازش و کلاس‌بندی تصاویر است. نتایج این پژوهش نه فقط در بهبود کارایی کانولوشن، بلکه در بسیاری از کاربردها و الگوریتم¬های یادگیری ماشین قابل استفاده است. نتایج مربوط به این کار، با استفاده از گوگل کولب و ابزار سنتز سطح بالای ویوادو محاسبه شده است و در این پایان‌نامه از فریم‌ورک ALWANN استفاده شده و الگوریتم بهینه‌سازی برای این کار NSGA-II است، همچنین در این کار از الگوریتم‌های پردازش تکاملی و ژنتیک هم در پیاده‌سازی مدارها بهره‌برداری شده است و شبکه عصبی مورد استفاده در این پژوهش ResNet است. نتایج این پژوهش نشان می¬دهد که با داشتن دقت کلاس¬بندی 82 درصدی تصاویر، زمان انجام محاسبات، حداکثر تاخیر مدار ضرب‌کننده و توان مصرفی در مقایسه با کارهای مشابه، به ترتیب 2.5%، 33.5% و 41.93% کاهش داشته است.

فایل: ّFile: تنزيل فایل