پیاده سازی FPGA قابل تنظیم شبکه های عصبی
ترجمه شده

پیاده سازی FPGA قابل تنظیم شبکه های عصبی

عنوان فارسی مقاله: پیاده سازی FPGA قابل تنظیم شبکه های عصبی
عنوان انگلیسی مقاله: Reconfigurable FPGA implementation of neural networks
مجله/کنفرانس: محاسبات عصبی - Neurocomputing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی
کلمات کلیدی فارسی: FPGA، شبکه های عصبی
کلمات کلیدی انگلیسی: FPGA - Neural networks
نوع نگارش مقاله: مقاله کوتاه (Short Communication)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.neucom.2018.04.077
دانشگاه: دانشگاه صنعتی Rzeszów، لهستان
صفحات مقاله انگلیسی: 18
صفحات مقاله فارسی: 17
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 5.188 در سال 2018
شاخص H_index: 110 در سال 2019
شاخص SJR: 0.996 در سال 2018
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 0925-2312
شاخص Quartile (چارک): Q1 در سال 2018
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: ورد و pdf
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 10174
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: خیر
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
نمونه ترجمه فارسی مقاله

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.

1. مقدمه

بیشتر برنامه های کاربردی شبکه های عصبی مصنوعی موجود (ANNs)، مخصوصا برای محیط تجاری، به صورت یک نرم افزار توسعه یافته اند. با این حال، مورد مشترک ارائه شده توسط سخت افزار ممکن است مزایایی مانند سرعت بالاتر، کاهش هزینه و تحمل بیشتر نقص و خطا (تضعیف ظریف) ارائه دهد [1، 2]. در میان روش های توسعه یافته ی مختلف اجرای ANNها در آرایه های دروازه ای قابل برنامه ریزی میدانی (FPGA ها)، مانند [3 - 6]، نوعی از پیاده سازی وجود دارد که اجازه می دهد ساختار ANN (یعنی تعداد لایه ها و / یا نورون ها و غیره) بدون نیاز به ترکیب و اجرای دوباره کل پروژه FPGA تغییر کند. این ویژگی انعطاف پذیری پیاده سازی ANN را تا سطح مشابه ارائه شده توسط نرم افزار افزایش داده و در عین حال مزایای سخت افزاری را نیز حفظ می کند. متاسفانه، راه حل های موجودی که بر مبنای محاسبات نقطه ثابت هستند (به عنوان مثال، [7 تا 9])، دقت محاسبات تابع فعال سازی را به شدت محدود کرده، و نیاز به ابزار نرم افزار اختصاصی برای تشکیل مجموعه ای از دستورالعمل های کاربر برای کنترل محاسبات ANN در سخت افزار توسعه یافته دارد. بعضی از آنها [9، 10] سبک معماری موازی را اعمال نکرده و تنها از یک تک بلوک عصبی برای محاسبه کل ANN استفاده می کنند. در مورد [10] محاسبه نقطه شناور (FP) استفاده شده و یک دقت نسبتا بالا در تابع فعال سازی به دست مي آيد، با اين وجود امکان تغيير ساختار ANN بدون اجرای دوباره کل پروژه به شدت تحت تأثير قرار مي گيرد. 

نمونه متن انگلیسی مقاله

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.

1. Introduction

Most of the existing artificial neural networks (ANNs) applications, particularly for commercial environment, are developed as software. Yet, the parallelism offered by hardware may deliver some advantages such as higher speed, reduced cost, and higher tolerance of faults (graceful degradation) [1, 2]. Among various developed methods of ANNs implementations in field programmable gate arrays (FPGAs), e.g., [3 - 6], there is a breed of implementation which allows the structure of the ANN (i.e., the number of layers and/or neurons, etc.) to be altered without the need of re-synthesizing and re-implementation of the whole FPGA project. This feature increases the ANNs implementation flexibility to the similar level as offered by software, at the same time maintaining the advantages delivered by hardware. Unfortunately, existing solutions, e.g., [7 - 9], are based on fixed point arithmetic, have strongly limited calculations accuracy of the activation function, and require dedicated software tools for the formulation of a set of user instructions controlling the ANN calculations in the developed hardware. Some of them [9, 10] do not employ parallel architecture exploiting only a single neuron block for the calculations of the whole ANN. In the case of [10] floating point (FP) arithmetic is used and a relatively high accuracy of the activation function is achieved, however the feasibility of the alteration of the ANN structure without reimplementation of the whole project is heavily compromised.

ترجمه فارسی فهرست مطالب

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

فهرست انگلیسی مطالب

Abstract

1. Introduction

2. Resources-saving implementation

3. Parallel implementation

4. Resources requirement, calculations speed and accuracy

5. Conclusions

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۷,۹۰۰ تومان
خرید محصول