پایان نامه طراحی الگوریتمی برای شبکه عصبی یادگیری عمیق به منظور بهینه سازی طبقه بندی تصویر مبتنی بر شبکه عصبی کانولوشن
یادگیری عمیق در سالهای اخیر به سرعت پیشرفت کرده و در بسیاری از زمینه ها که حوزه های اصلی هوش مصنوعی هستند اعمال شده است. ترکیبی از یادگیری عمیق و سیستم های تعبیه شده ابعاد خوبی در زمینه فنی ایجاد کرده است. در این پروژه یک الگوریتم شبکه عصبی یادگیری عمیق طراحی گردید که می تواند بر روی سخت افزار FPGA پیاده سازی شود. این پروژه براساس تحقیقات فعلی درباره ویژگیهای سخت افزاری شبکه عصبی و یادگیری عمیق انجام شده است. این سیستم از PyTorch و CUDA به عنوان روش های دستیار استفاده می کند. همچنین در مورد طبقه بندی تصویر از شبکه عصبی کانولوشن (CNN) استفاده می کند. بسیاری از مدلهای خوب CNN مانند ResNet ، ResNeXt و MobileNet در این مطالعه بررسی شدند. با استفاده از این مدل ها در طراحی، در نهایت الگوریتمی با مدل MobileNet طراحی گردید. مدل ها از جهات مختلف مانند عملیات ممیز شناور (FLOP)، تعداد پارامترها و دقت طبقه بندی انتخاب شدند. در حقیقت، الگوریتم مبتنی بر MobileNet با خطای top-1 5.5% در نرم افزار با مجموعه داده های 6 کلاس انتخاب شد. علاوه بر این، شبیه سازی سخت افزاری در الگوریتم مبتنی بر MobileNet ارائه گردید. پارامترها از اعداد شناور به اعداد صحیح 8 بیتی تبدیل می شوند. اعداد خروجی هر لایه جداگانه به عدد صحیح های بیت ثابت برش داده می شوند تا متناسب با محدودیت سخت افزاری باشند. یک روش کار با اعداد برای شبیه سازی تغییر تعداد در سخت افزار طراحی شده است. بر اساس این روش شبیه سازی، خطای top-1 به 12.3٪ افزایش می یابد که قابل قبول می باشد.