Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13776
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΜπαρτσώκας Αναστάσιος
dc.date.accessioned2018-07-23T09:33:11Z-
dc.date.available2018-07-23T09:33:11Z-
dc.date.issued2018-6-21
dc.date.submitted2018-6-19
dc.identifier.urihttp://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13776-
dc.description.abstractΤα τελευταία χρόνια γίνονται συνεχώς έρευνες γύρω από την ανάπτυξη των Τεχνητών Νευρωνικώνικτύων (ΤΝ). Τα ΤΝ είναι εμπνευσμένα από βιολογικούς οργανισμούς κι έχουνε ξεπεράσει καταπολύ σε απόδοση τις πρηγούμενες μορφές τεχνητής νοημοσύνης. Ενα ΤΝ αποτελείται από απλούςυπολογιστικούς κόμβους διασυνδεδμέμους μεταξύ τους, οι οποίοι είναι εκπαιδευμένοι να αντιδρούνε σεερεθίσματα. Τα ΤΝ που παίρνουνε ως είσοδο εικόνες ονομάζονται Συνελικτικά Νευρωνικά ίκτυα(ΣΝ) και χρησιμοποιούνται για την επίλυση προβλημάτων όρασης υπολογιστών, όπως είναι η αναγω-νώριση αντικειμένων, η εύρεση θέσης των αντικειμένων κ.α.Τα τελευταία χρόνια τα ΤΝ έχουνε εισαχθεί στον κόσμο των ενσωματωμένων συσκευών, καθώς είναιιδιαίτερα σημαντικό τόσο για τους δημιουργούς λογισμικού όσο και εντυπωσιακό για τους χρήστες ναέχουνε τη δυνατότητα να αναγνωρίζουνε αντικείμενα με τις συσκευές τους π.χ. κινητά τηλέφωνα.Στόχος της παρούσας διπλωματικής είναι η εξέλιξη ενός συστήματος εκτέλεσης ΣΝ στο ενσωματωμένοσύστημα Myriad2. Η μηχανή υποστηρίζει βαθιά δίκτυα με μεγάλο πλήθος ομότιμων κόμβων, πουέχουνε εκπαιδευτεί σε τεράστια σύνολα δεδομένων. Αυτό σημαίνει ότι το σύνολο δεδομένων των δικτύωνείναι πολύ μεγάλο για τη μνήμη τη ενσωματωμένης συσκευής, η οποία όμως έχει το πλεονέκτημα χα-μηλής κατανάλωσης ενέργειας ανα μονάδα υπολογισμού. Η αρχιτεκτονική της Myriad 2 συνίσταταιαπο 12 VLIW επεξεργαστές, χτισμένους γύρω από μια μικρή και γρήγορη μνήμη και άλλους που έχουνεσυντονιστικό ρόλο. Από τη φύση τους τα ΣΝ απαιτούνε διαχείριση τεράστιου όγκου δεδομένων πουσημαίνει και μεταφορά δεδομένων μεταξύ των μνημών. Τα βαθιά ΣΝ περιέχουνε συνελικτικές στρώσειςμε αρκετές παραμέτρους, οι οποίες έχουνε ως σκοπό να μειώνουνε τις απαιτήσεις σε μνήμη του δικτύου.Αυτές υλοποιήθηκανε με αποδοτικό τρόπο, ακόμα και με τη χρήση συμβολικής γλώσσας, εμβαθύνονταςσε τεχνικές εκμετάλλευσης της αρχιτεκτονικής. Επιπλέον αναπτύχθηκε νέος τρόπος υλοποίησης τωνσυνελικτικών στρώσεων, προκειμένου να μειώσει τον χρόνο εκτέλεσης στρώσεων με συγκεκριμένεςπροδιαγραφές, αλλά και τη συνολική κατανάλωση ενέργειας. Τέλος, το γεγονός ότι το σύστημα είναιπολυεπεξεργαστικό, αυξάνει την πολυπλοκότητα ακόμα περισσότερο.Τα παραπάνω επεκτείνονται σε κάθε ενσωματωμένο επεξεργαστή, ο οποίος υποστηρίζει εκτέλεση νευρω-νικών δικτύων καθώς οι μεθοδολογίες που χρησιμοποιήθηκανε εφαρμόζωνται και έξω από τη Myriad2.Τέλος αναπτύχθηκε μια εφαρμογή πραγματικού χρόνου, η οποία κάνει ταξινόμηση σύμφωνα με τοImageNet.
dc.languageGreek
dc.subjectμηχανική μάθηση
dc.subjectσυνελικτικά νευρωνικά δίκτυα
dc.subjectβαθιά νευρωνικά δίκτυα
dc.subjectενσωματωμένα συστήματα
dc.subjectπολυεπεξεργαστικά συστήματα
dc.subjectmyriad 2
dc.subjectνέος τρόπος συνέλιξης
dc.subjectεφαρμογή πραγματικού χρόνου
dc.titleΥλοποίηση Εντονων Υπολογιστικά Συνελικτικών Νευρωνικών Ικτύων Σε Ενσωματωμένες Αρχιτεκτονικές Με Περιορισμένους Πόρους
dc.typeDiploma Thesis
dc.description.pages99
dc.contributor.supervisorΣούντρης Δημήτριος
dc.departmentΤομέας Τεχνολογίας Πληροφορικής & Υπολογιστών
dc.organizationΕΜΠ, Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
dc.description.notesΘεματική Περιοχή: Νευρωνικά Δίκτυα και Ενσωματωμένες Συσκευές
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2018-0104.pdf6.44 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.