Υλοποίηση αλγορίθμων μηχανικής μάθησης με χρήση FPGA

Abstract

Η παρούσα διπλωματική διερευνά την υλοποίηση τεχνητών νευρωνικών δικτύων σε γλώσσα προγραμματισμού VHDL. Παρουσιάζεται το πώς οι βασικές λειτουργίες ενός νευρώνα - όπως η σταθμισμένη άθροιση και η ενεργοποίηση - μπορούν να πραγματοποιηθούν αποτελεσματικά σε ολοκληρωμένα κυκλώματα FPGA. Ο σχεδιασμός εστιάζει στη γενικότητα των βαρών και του bias και αξιοποιεί μια προσέγγιση υλοποίησης του νευρωνικού μέσω του Octave. Επιπλέον εμβαθύνει στον σχεδιασμό σε VHDL ενός νευρωνικού δικτύου προσαρμοσμένου για επεξεργασία εικόνας RGB. Αξιοποιώντας μια αρχιτεκτονική πολλαπλών επιπέδων perceptron (MLP), αυτή η μονάδα VHDL στοχεύει στην επεξεργασία εισερχόμενων σημάτων εικονοστοιχείων από μια εικόνα και πιο συγκεκριμένα τα στοιχεία RGB του κάθε pixel, ώστε να δημιουργήσει μια έξοδο όπου τα pixel αυτά δημιουργούν μια νέα εικόνα. Τέλος μέσω της βιβλιοθήκης KERAS εκπαιδεύεται έναν νευρωνικό δίκτυο σε γλώσσα Python για την αναγνώριση χειρόγραφων αριθμών μέσα από ένα πλήθος εικόνων.

This thesis explores the implementation of artificial neural networks in VHDL programming language. It shows how the basic functions of a neuron - such as weighted summation and activation - can be efficiently implemented on FPGA boards. The design focuses on the generality of weights and bias and leverages a neural implementation approach through Octave. It further delves into the design in VHDL of a custom neural network for RGB image processing. Leveraging a multi-layer perceptron (MLP) architecture, this VHDL module aims to process incoming image signals from an image, and more specifically RGB components of each pixel, to produce an output where those pixels form a new image. Finally, through the KERAS library, a neural network in Python language is trained to recognize handwritten numbers from a multitude of images.