[صفحه اصلی ]    
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور فرهنگی::
امور پژوهشی::
کارشناسی ارشد مجازی::
کارشناسی ارشد پردیس::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
تماس با ما::
::
ورود به سایت دروس
دانشجویان روزانه و پردیس
دانشجویان مرکز آموزش الکترونیکی
..
دفاعیه‌ها

دفاعیه های دکتری


دفاعیه های کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: مسعود پیرو ::
 | تاریخ ارسال: 1400/2/25 | 

ارائه­ دهنده:

مسعود پیرو

  استاد راهنما:

خانم دکتر هاجر فلاحتی

هیات داوران:
 آقای دکتر حاکم بیت‌الهی
آقای دکتر پژمان لطفی کامران


زمان:
شنبه ۱۴۰۰/۰۲/۲۵


آقای مسعود پیرو دانشجوی کارشناسی ارشد سرکار خانم دکتر هاجر فلاحتی روز شنبه  ۲۵  اردیبهشت ماه ساعت ۱۶:۳۰ از پروژه کارشناسی ارشد خود تحت عنوان "ارائه یک شتاب­دهنده پویای شبکه عصبی کانولوشنی عمیق با کارایی بالا بر پایه معماری قابل باز پیکربندی" دفاع خواهند نمود

چکیده پایان نامه:
شبکه‌ی عصبی عمیق یکی از متداول‌ترین روش‌های یادگیری ماشین است و در کاربردهای بسیاری مانند پردازش تصویر، پردازش متن، تحلیل اقتصادی و پزشکی کاربرد دارد. اجرای شبکه­های عصبی عمیق نیازمند بستر پردازشی مناسب برای حل چالش‌های پردازشی و حافظه (ذخیره و انتقال حجم بالای داده) هستند. پروژهش­های اخیر روش­هایی برای پراکنده­کردن وکاهش دقت داده­ها در شبکه عصبی ارایه کرده­اند. با استفاده از این روش­ها، شبکه عصبی تنک می­شود و احتمال تکرار داده­ها افزایش می­یابد. اگرچه این روش­ها، نظم محاسباتی را از بین می­برند  و سربار حافظه دارند. پژوهش­های پیشین برای استفاده از پتانسیل موجود و مدیریت سربارها، مکانیزم­های جریان داده و سخت­افزار آگاه از پراکندگی و شباهت داده ارایه کرده­اند. هرچند هیچ­یک از این روش­ها همزمان از پرداکندگی و اشتراک داده هم در وزن و هم در داده ورودی استفاده نکرده­اند.
در این پژوهش، قصد داریم روشی برای مرحله استنتاج شبکه کانولوشنی عمیق ارایه کنیم، به­گونه­ای که هم‌زمان از پتانسیل پراکندگی، کاهش دقت داده‌ها و شباهت میان مقادیر داده­های شبکه (هم وزن و هم داده ورودی) بهره بگیرد. برای این منظور، با بررسی شبکه، وزن­های ورودی و داده­های ورودی، از روش­های کوآنتیزیشن برای وزن­ها و ورودی­ها استفاده می­کنیم. در ادامه وزن­ها و داده­های تکراری و صفر را شناسایی می­کنیم و برای کاهش بی­نظمی، یک جریان داده معرفی می­کنیم. هر چند روش پیشنهادی، در سطح بالا قابلیت انطباق با سایر شتاب‌دهنده‌ها را دارد. در انتها، یک معماری شتاب­دهنده جدید برای اجرای جریان داده ارایه می­کنیم.
ارزیابی معماری پیشنهادی بر روی چهار شبکه عصبی معروف نشان می­دهد که روش پیشنهادی، ×۱۸ کارایی بالاتر و ×۸۳ انرژی مصرفی کمتری در مقایسه با شتاب‌دهنده Eyeriss، دارد. همچنین در مقایسه با شتاب‌دهنده‌های آگاه از پراکندگی و شباهت ، از لحاظ کارایی به ترتیب ×۶/۴ و ×۵/۴ برابر و از لحاظ کاهش انرژی مصرفی به ترتیب ×۳ و ×۸/۵ برابر بهبود داریم.

واژگان کلیدی: شبکه‌های عصبی کانولوشنی عمیق، شتاب‌دهنده­، پراکندگی، اشتراک‌گیری، کوانتیزیشن، آرایه‌های منطقی برنامه‌پذیر، مدارات یکپارچه خاص منظوره، قابلیت بازپیکربندی، شبکه آگاه از داده.
 


"دفاع به‌صورت آنلاین برگزار می‌شود"
  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی
دفعات مشاهده: 195 بار   |   دفعات چاپ: 7 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
Persian site map - English site map - Created in 0.1 seconds with 53 queries by YEKTAWEB 4312