5000290283 support@digiprojects.ir

ترجمه ۱۸ – پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

وب سایت دیجی پروژه | مرجع تخصصي پروژه هاي تحقیقاتی هوش مصنوعي ترجمه, شبکه عصبي ترجمه ۱۸ – پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن
ترجمه ۱۸ – پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

ترجمه شبکه عصبي

ترجمه ۱۸ – پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

ارسال شده توسط مدير وب سايت

 A Dynamically Configurable Coprocessor for Convolutional Neural Networks

پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : ۴۷ صفحه

رعايت تمام قوانين نگارشي و داراي فهرست اشکال،جداول و محتوا

سال چاپ مقاله : ۲۰۱۳

دانلود اصل مقاله – رايگان

قيمت : ۲۹۰۰۰ تومان

290,000 ریال – خرید

اين فايل علاوه بر ترجمه به سوالات زير در باب مقاله مذکور پاسخ ميدهيد:

۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟

۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟

۸-۳ راه حل های قبلی چه هستند؟

۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

۸-۵ راه حل پشنهادی چیست؟

۸-۶ چگونه راه حل  طراحی و پیاده سازی شده است؟

۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

۸-۹ روش پشنهادی چگونه ارزیابی شده است؟

۸-۱۰ ارزش راه حل چگونه اثبات شده است؟

۸-۱۱ نتایج اصلی مقاله چه هستند؟

۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟

۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟

۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟

۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

برنامه ­های کاربردی شبکه­های عصبی کانولوشن (CNN) برنامه ­هایی هستند که از شناسایی و استدلال (مانند شناسایی دست خط، شناسایی حالت چهره و نظارت فیلم­ها) تا برنامه­ های هوشمند متنی مثل تحلیل فنی شماتیک و برنامه ­های پردازش زبان طبیعی را شامل می­شوند. دو مشاهده کلیدی باعث ساختن طرحی جدید برای CNN شد؛ اول، بارِ کاری CNN، مخلوطی وسیع از سه نوع موازی­سازی را ارائه داده است: موازی­ سازی درون یک عملیات کانولوشن، موازی­ سازی در داخل-خروجی که در آن چندین منابع ورودی (ویژگی­ها) ترکیب می­شوند تا یک خروجی واحد بسازند، و موازی ­سازی بین-خروجی که در آن چندین خروجی (ویژگی) مستقل، همزمان محاسبه می­شوند. بارهای کاری در برنامه ­های مختلف CNN و لایه ­های متفاوت CNN، تفاوت چشم­گیری دارند. دوما، تعداد المان­های محاسبه در یک معماری، نسبت به پهنای باند خارج از حافظه (pin-count) با نسبت بسیار بیشتری (همانند قانون مور[۱]) افزایش می یابد. بر اساس این دو مشاهده، ما نشان می­دهیم که در ازای مقدار مشخصی المان محاسبه و پهنای باند خارج از حافظه، یک معماری سخت افزاری جدید CNN که برای رسیدن به مقدار مشخصی از موازی­سازی در یک بارِکاری مشخص، سخت افزار را به طور پویا و درجا تنظیم می­کند و بهترین توان عملیاتی را می­دهد. کامپایلر CNN ما، مشخصات خلاصه شده شبکه را به طور خودکار به یک ریزبرنامه (دسته­ای از دستورات سطح پایین VLIW) ترجمه می­کند که توسط یک Coprocessor، برنامه ­ریزی، زمان­بندی و اجرا می­شود. به نسبت یک ۴٫۳GHz quad-core dual socket Intel Zenon، ۱٫۳۵ GHz C910 GPU و یک ۱۲۰۰MHz FPGA، معماری قابل تنظیم ۱۲۰ مگاهرتز، حدود ۴ تا ۸ برابر سریعتر است. این اولین معماری CNN است که توانسته شناسایی اشیای زیادی را در یک فیلم برداری (۲۵ تا۳۰ فریم بر ثانیه) به طور همزمان انجام دهد.

گروه­ها و توضیح دهنده­های موضوعات

c.1.3 (حالت های دیگر معماری): معماری های سازگار شونده، شبکه های عصبی، پردازنده های پاپ لاین[۲]

واژه­های عمومی

طرح، آزمایش، کارایی

کلمه­های کلیدی

شبکه های عصبی کانولوشن، تنظیم دوباره پویا، معماری رایانه موازی

[۱] Moore

[۲] Pipeline processors.

برچسب

نوشته شده توسط مدير وب سايت

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تمام حقوق این سایت متعلق به دیجی پروژه می باشد طراحی وب سایت توسط رنا وب صورت گرفته است