همگامتک بنیاد تحقیقاتی هوش مصنوعی و اینترنت اشیا

بسمه تعالي

گزارش و تحليل مقاله

Flow mapping on mesh-based deep learning accelerator

شبکه های عصبی کانولوشنال به عنوان رویکردی برای طبقه بندی داده های مربوط به انواع مجموعه داده ها پیشنهاد شده است. در واقع ، پیشرفت در تنوع داده ها و فناوری اطلاعات ، پیچیدگی الگوریتم های یادگیری عمیق را افزایش داده است.شتاب دهنده های یادگیری عمیق مختلف DLA برای حمایت و حل چالش های CNN ارائه شده است. این چالش ها وابسته و متمرکز بر مولفه های خاص هستند. شتابدهنده های زیادی برای حل این چالش ها با ارائه رویکردهای مختلف به منظور نقشه برداری از جریان داده ارائه شده است. این مقاله با در نظر گرفتن مکانیسم های مختلف دسترسی به حافظه برای توزیع ترافیک یک مدل آموزش داده شده AlexNet در مورد توپولوژی مش  (که آن را به عنوان یک بستر ارتباطی بر روی تراشه برای توزیع ترافیک AlexNet درنظر ميگيرد)، الگوهای مختلف ترافیکی را ارائه می دهد همچنین در این مقاله الگوهای انتقال داده بین عناصر پردازش با توجه به وزن داده ورودی توصیف می شود علاوه بر این یک روش نقشه برداری جریان FMM بر روی مش را بر اساس تأثیر الگوهای مختلف جریان ترافیک داده بر مصرف انرژی ارائه داده شده است.

جمع بندي و پيشنهاد براي کارهاي آتي

در این مقاله، رویکردهای مختلفی را برای بهبود دسترسی به حافظه ، مصرف انرژی و نیازهای حافظه مدل های آموزش دیده CNN بررسي شد و FMM مبتنی بر توزیع ترافیک AlexNet بر روی یک توپولوژی مش برای حل مشکلات دسترسی حافظه و مصرف انرژی پیشنهاد شد.علاوه برآن الگوهای مختلفی از ترافیک را بر اساس مکانیسم های مختلف دسترسی به حافظه ارائه شد تا مصرف انرژی توزیع ترافیک AlexNet را بر روی توپولوژی مش کاهش داده شود. پارامترهای شمارش کل هاپ ، انرژی کل ، درصد گره های فعال ، جریان کل و درصد توزیع ترافیک در پارتیشن های بالا ، مرکز و پایین در شبکه مش را ارزیابی کرد.

مراجع

[1]. Ryan Gary Kim, Janardhan Rao Doppa, Partha Pratim Pande, Diana Marculescu, Radu Marculescu, Machine Learning and Manycore Systems Design: A Serendipitous Symbiosis. IEEE int. Journal (Computer), 2017.
[2]. Tao Luo, Shaoli Liu, Ling Li, Yuqing Wang, Shijin Zhang, Tianshi Chen, Zhiwei Xu,Olivier Temam, Yunji Chen, DaDianNao: A Machine-Learning Supercomputer. IEEE int. Journal (Computer), 2016.
[3]. Zidong Du, Robert Fasthuber, Tianshi Chen, Paolo Ienne, Ling Li, Tao Luo, Xiaobing Feng, Yunji Chen, Olivier Temam, ShiDianNao:Shifting Vision Processing Closer to the Sensor. IEEE int. Conference (ISCA), 2015.

براي مشاهده ويدئو روي تصوير زير کليک نماييد

فايل تحليل پروژه

فايل ارائه پروژه