Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/12974
Title: Hardware for deep learning
Other Titles: Αρχιτεκτονικές υλικού για deep learning
Authors: Ζαρκαδούλα, Καλλιρρόη
Keywords: Deep learning
Accelerators
Keywords (translated): Eπιταχυντές
Νευρωνικά δίκτυα
Abstract: The purpose of this diploma thesis is the research and development of efficient hardware architecture which can be used as an accelerator for Neural Networks of Deep Learning. More specifically, the development of the circuit was carried out with hardware description language (VHDL) and high-level, general-purpose programming language Python for the implementation of the designed architecture through Tensorflow, which is an open-source software library. Further research and optimization were conducted mainly focusing on delay and accuracy loss taking into consideration the size of the network, the scalability, and processing of the data input as well as the training rate of the Neural Network.
Abstract (translated): Σκοπός της παρούσας διπλωματικής εργασίας είναι η έρευνα και η ανάπτυξη κατάλληλου υλικού (hardware) το οποίο πρόκειται να χρησιμοποιηθεί ως επιταχυντής (accelerator) σε Νευρωνικά Δίκτυα του Deep Learning. Πιο συγκεκριμένα, για την ανάπτυξη του συστήματος χρησιμοποιήθηκαν μέθοδοι προγραμματισμού σε επίπεδο περιγραφής υλικού (συγκεκριμένα VHDL) αλλά και η γλώσσα προγραμματισμού Python για την υλοποίηση του συστήματος μέσω της βιβλιοθήκης ανοιχτού κώδικα του Tensorflow. Περαιτέρω μελέτη και βελτιστοποίηση έγινε με κύριο άξονα την καθυστέρη και την ακρίβεια με παράμετρο το μέγεθος του δικτύου, την τμηματοποίηση και την επεξεργασία των δεδομένων εισόδου καθώς και το ρυθμό εκπαίδευσης του Νευρωνικού Δικτύου.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
thesis_ece8049.pdf1.54 MBAdobe PDFView/Open


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