توضیحات
ABSTRACT
This brief paper presents two implementations of feed-forward artificial neural networks in FPGAs. The
implementations differ in the FPGA resources requirement and calculations speed. Both implementations exercise floating point arithmetic, apply very high accuracy activation function realization, and enable easy alteration of the neural network’s structure without the need of a re-implementation of the entire FPGA project.
INTRODUCTION
Most of the existing artificial neural networks (ANNs) applications, particularly for commercial environment, are developed as software. Yet, the parallelism offered by hardware may deliver some advantages such as higher speed, reduced cost, and higher tolerance of faults (graceful degradation) . Among various developed methods of ANNs implementations in field programmable gate arrays (FPGAs), e.g., , there is a breed of implementation which allows the structure of the ANN (i.e., the number of layers and/or neurons, etc.) to be altered without the need of re-synthesizing and re-implementation of the whole FPGA project. This feature increases the ANNs implementation flexibility to the similar level as offered by software, at the same time maintaining the advantages delivered by hardware. Unfortunately,existing solutions, e.g., , are based on fixed point arithmetic, have strongly limited calculationsaccuracy of the activation function, and require dedicated software tools for the formulation of a set of user instructions controlling the ANN calculations in the developed hardware. Some of them do not employ parallel architecture exploiting only a single neuron block for the calculations of the whole ANN.
چکیده
این مقاله مختصر دو پیاده سازی شبکه های عصبی مصنوعی FPGA را ارائه می دهد. پیاده سازی در نیاز منابع FPGA و سرعت محاسبات متفاوت است. هر دو پیاده سازی عملیات حسابرسی شناور را انجام می دهند، اعمال تابع فعال سازی دقت بسیار بالا را اعمال می کنند و تغییر ساختار شبکه ساختاری عادی را بدون نیاز به اجرای مجدد پروژه کل FPGA آسان می کنند.
مقدمه
بیشتر برنامه های کاربردی شبکه های عصبی مصنوعی (ANNs)، مخصوصا برای محیط تجاری، به عنوان نرم افزار توسعه یافته اند. با این حال، موازی بودن ارائه شده توسط سخت افزار ممکن است برخی از مزایای مانند سرعت بالاتر، کاهش هزینه ها و تحمل بیشتر گسل ها (تضعیف ظریف) ارائه دهد. در میان روش های مختلف توسعه یافته ANNs در عرصه های دروازه قابل برنامه ریزی (FPGA ها)، به عنوان مثال، نوعی از پیاده سازی است که اجازه می دهد ساختار ANN (یعنی تعداد لایه ها و / یا نورون ها، و غیره) را تغییر دهید بدون نیاز به دوباره سنتز کردن و دوباره اجرای کل پروژه FPGA. این ویژگی انعطاف پذیری پیاده سازی ANN را به سطح مشابهی که توسط نرم افزار ارائه شده را افزایش می دهد، در عین حال حفظ مزایای استفاده شده توسط سخت افزار. متاسفانه، راه حل های موجود، به عنوان مثال، مبتنی بر محاسبات نقطه ثابت هستند، دقیق محاسبات دقیق تابع فعال سازی، و نیاز به ابزار نرم افزار اختصاصی برای تشکیل مجموعه ای از دستورالعمل های کاربر کنترل محاسبات ANN در سخت افزار توسعه یافته است. بعضی از آنها معماری موازی را استخدام نمیکنند که فقط یک بلوک عصبی را برای محاسبه کل ANN استفاده می کنند.
Year: 2018
Publisher : ELSEVIER
By : Zbigniew Hajduk
File Information: English Language/ 18 Page / size: 474 KB
سال : 1396
ناشر : ELSEVIER
کاری از : زبیگنوی هجدک
اطلاعات فایل : زبان انگلیسی / 18 صفحه / حجم : KB 474
نقد و بررسیها
هنوز بررسیای ثبت نشده است.