درحال بارگذاري...
جستجو
جستجو در این منبع
ترتيب بر اساس
ارسال به دوستان
 فهرست محتوای دیجیتالی
 فهرست مطالب
 فهرست نقدها
  1. جستجو ساده
  2. نتيجه جستجو
  3. بهینه سازی پخت قطعات ضخیم کامپوزیتی با کمک شبکه عصبی
مدل سازی خطای عملکرد ضرب کننده های تقریبی برای شتاب دهنده های شبکه عصبی
1679 مرتبه مشاهده شده

مدل سازی خطای عملکرد ضرب کننده های تقریبی برای شتاب دهنده های شبکه عصبی

فرح بخش، امیر رضا Farahbakhsh, Amir Reza

  1. شماره پایان نامه:56928
  2. کد دانشکده:05
  3. پديدآور: فرح بخش، امیر رضا
  4. عنوان:مدل سازی خطای عملکرد ضرب کننده های تقریبی برای شتاب دهنده های شبکه عصبی.
  5. نام دانشگاه/پژوهشگاه:صنعتی شریف
  6. سال اخذ مدرك:1402.
  7. نام دانشکده:مهندسی برق
  8. مقطع:کارشناسی ارشد
  9. گرایش:مدارهای مجتمع الکترونیک
  10. توصیف ظاهری:77ص.: جدول، نمودار، کتابنامه؛ چکیده به فارسی و انگلیسی
  11. توصیفگر: پردازش تقریبی Approximate Computing
  12. توصیفگر: شبکه عصبی مصنوعی Artificial Neural Network
  13. توصیفگر: چارچوب شبیه سازی Simulation Framework
  14. توصیفگر: ضرب‌کننده‌ های غیردقیق Approximate Multipliers
  15. توصیفگر: شتاب‌ دهنده‌ های شبکه عصبی Neural Network Accelerators
  16. استاد راهنما. شریف خانی، محمد

 فهرست محتوای دیجیتالی

 فهرست مطالب

  • چکیده
  • فهرست جدول‎ها
  • فهرست تصویرها
  • 1 فصل1. مقدمه
    • 1-1 پیش گفتار
    • 2-1 انگیزه های پژوهش
    • 1-3 اهداف پژوهش
    • 1-4 ساختار پایان نامه
  • 2 فصل2. مبانی نظری پژوهش
    • 2-1 محاسبات تقریبی
    • 2-2 شبکه‌های عصبی عمیق
      • 1-2-2 لایه‌های تمام متصل36F
      • 2-2-2 لایه‌های کانولوشنال38F
      • 3-2-2 لایه‌های تجمیع41F
      • 4-2-2 توابع فعال‌سازی44F
      • 2-2-5 لایه‌های نرمال‌سازی47F
      • 6-2-2 آموزش و استنتاج
      • 7-2-2 مجموعه‌داده MNIST
      • 2-2-8 مجموعه‌داده Fashion-MNIST
      • 2-2-8 مجموعه‌داده CIFAR-10
      • 9-2-2 مجموعه‌داده ImageNet
    • 3-2 مدل های شبکه‌های عصبی
      • 1-3-2 شبکه‌ی LeNet (1998)
      • 2-3-2 شبکه‌ی AlexNet (2012)
      • 3-3-2 شبکه‌های VGG (2014)
      • 4-3-2 شبکه‌های ResNet (2015)
  • 3 فصل3. مروری بر ادبیات موضوعی
    • 3-1 مقیاس‌بندی دقت
    • 3-2 کاهش محاسبات
      • 1-2-3 پرش
      • 2-2-3 بخاطر سپاری
    • 3-3 واحدهای محاسبه تقریبی88F
      • 1-3-3 جمع‌کننده‌ها و ضرب‌کننده‌های تقریبی
      • 2-3-3 محاسبات بدون ضرب‌کننده95F
      • 3-3-3 ضرب‌کننده‌های تقریب لگاریتمی103F
    • 3-4 پلتفرم‌ها و چارچوب‌های شبیه‌سازی شبکه‌های عصبی تقریبی
      • 1-4-3 چارچوب Ristretto (2018)
      • 2-4-3 چارچوب TypeCNN (2019)
      • 3-4-3 چارچوب ALWANN (2019)
      • 4-4-3 چارچوب AxDNN (2019)
      • 5-4-3 چارچوب ProxSim (2020)
      • 6-4-3 چارچوب TFApprox (2020)
      • 7-4-3 چارچوب AdaPT (2023)
  • 4 فصل4. طرح پيشنهادى
    • 1-4 اندازه‌گیری و مدل‌سازی خطای تقریب
    • 2-4 اضافه کردن خطای تقریب در فرایند استنتاج
    • 3-4 ارتقاء روش پیشنهادی
      • 1-3-4 بهینه‌سازی تخمین خطا به‌وسیله اشتراک گذاری منابع محاسباتی
      • 2-3-4 کاهش تعداد نقاط تخمین و افزودن خطای تقریب
      • 3-3-4 در نظر گرفتن خطای کوانتیزاسیون
  • 5 فصل5. نتایج شبیه‌سازی
    • 5-1 محیط و شرایط آزمایش
    • 5-2 نتایج شبیه‌سازی با روش میانگینگیری
      • 1-2-5 شبکه ResNet
      • 2-2-5 شبکه VGG
      • 3-2-5 شبکه AlexNet
      • 4-2-5 شبکه LeNet-5
      • 5-2-5 بررسی زمان اجرای شبیه‌سازی در روش پیشنهادی
  • 6 فصل5. جمع‌بندي و ارائه پیشنهادات
    • 6-1 جمع‌بندی
    • 6-2 پیشنهادات
  • منابع و مأخذ
...ادامه

 فهرست نقدها