پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی

Reconfigurable FPGA implementation of neural networks

چکیده

1- مقدمه

2- پیاده سازی صرفه جویی منابع

3- پیاده سازی موازی

4- نیاز به منابع، سرعت محاسبات و دقت

5- نتیجه گیری ها

منابع

چکیده

این مقاله کوتاه دو پیاده سازی شبکه های عصبی مصنوعی پیشخور در FPGAها را ارائه می دهد. پیاده سازی در نیاز منابع و سرعت محاسبات FPGA متفاوت است. هر دو پیاده سازی با اعمال محاسبات نقطه شناور، توابع فعال سازی با دقت بسیار بالا را اعمال کرده و باعث تغییر آسان ساختار شبکه عصبی بدون نیاز به اجرای دوباره کل پروژه FPGA می شوند.

5- نتیجه گیری ها

این نشان داده شده است که پیاده سازی FPGA ANNها ممکن است بیانگر انعطاف پذیری و همچنین سرعت و دقت منطقی محاسباتی بالا در مقایسه با اجرای نرم افزار ANNها باشد. با توجه به کاربرد محاسبات نقطه شناور و دقت بسیار بالای محاسبه تابع فعال سازی، ANN می تواند به صورت آفلاین، به عنوان مثال با استفاده از نرم افزار Matlab یا استفاده از سیستم های پردازش با پردازنده های ARM در پلت فرم هایی مانند Xilinx Zynq آموزش دیده و سپس وزن های محاسبه شده می توانند به طور مستقیم توسط پیاده سازی های توسعه یافته مورد استفاده قرار بگیرند. امکان تغییر در ساختار ANN با یک تغییر ساده در محتوای حافظه RAM باعث می شود که راه حل توسعه یافته انعطاف پذیرتر شود. هر یک از روش های موجود و یا ماژول مخابراتی که قبلا برای سیستم P1-TS [14] توسعه یافته است می تواند برای جایگزینی محتویات حافظه RAM بلوک جاسازی شده FPGA مورد استفاده قرار بگیرد. پیاده سازی های توسعه یافته همچنین می توانند بعنوان بلوک های تابع سخت افزار برای کنترل کننده قابل برنامه ریزی چند پردازنده ای که قبلا توسعه یافته است[15] و نیز سرعت بخشیدن به محاسبات ANN ها مورد استفاده قرار بگیرد.

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.

5- Conclusions

It has been shown that the FPGA implementations of ANNs may characterize high flexibility as well as high calculations speed and reasonable accuracy in comparison with software realization of ANNs. On account of the application of floating point arithmetic and very high accuracy of the activation function calculation, the ANN can be trained off-line, e.g. by the Matlab software or using processing systems with the ARM processors in such platforms as the Xilinx Zynq, and then the calculated weights can be directly used by the developed implementations. The feasibility of the alteration of the ANN’s structure by a simple change of the RAM memory content makes the developed solution more flexible. Any existing methods or the previously developed communication module for the P1-TS system [14] can be exploited for the replacement of the FPGA-embedded block RAM memory content. The developed implementations can also be applied as hardware function blocks for the previously developed multiprocessor programmable controller [15], accelerating the calculations of ANNs.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی

Reconfigurable FPGA implementation of neural networks