Yapay sinir ağlarının otomatik olarak donanım ortamında gerçeklenmesi

Year 2016, Volume: 20 Issue: 2, 141 - 146, 01.08.2016

Namık Kemal Sarıtekin İbrahim Şahin

https://doi.org/10.16984/saufenbilder.28619

Abstract

Yapay Sinir Ağları (YSA) FPGA tabanlı sistemlerde gerçeklenirken; öncelikle istenen YSA için bir sayısal tasarım yapılır, ardından yapılan tasarım, bir donanım tanımlama dilinde kodlanarak hedef FPGA için sentezlenir. Bu işlemler zaman alan, uzman gerektiren ve hataya açık bir işlemlerdir. Bu çalışmada, yapay sinir ağlarının FPGA tabanlı sistemler de gerçekleme işlemini otomatikleştirmek, bu işlem için uzman gereksinimini azaltmak ve gerçeklenme sürecini kısaltmak amacıyla, bir otomatik tasarım aracı (Yapay sinir ağı Tasarım Aracı (YTA)) geliştirilmiştir. YTA değişik test durumları ile başarılı bir şekilde test edilmiştir. YTA sayesinde istenen YSA için veri yolu saniyeler içinde otomatik olarak tasarlanmakta ve HDL kodu üretilebilmektedir.

Keywords

Tasarım Otomasyonu, FPGA, HDL, YSA

Automatical implementation of artificial neural networks on hardware

Abstract

While Artificial Neural Networks (ANNs) are implemented on FPGAs, first, a logic design is made for the desired ANN. Second, this design is coded in a hardware description language and is synthesized for a target FPGA chip. These procedures are time consuming, error prune processes and requires expert personal. In this study, an ANN data paths design tool (YTA) was developed to help automate the application of ANNs to FPGAs, to reduce the design and implementation time, and to minimize the expert requirements while mapping ANNs to FPGAs. YTA was tested with several test cases successfully. Using YTA, data paths can be designed and HDL codes can be produced automatically for given ANN in seconds. 

Keywords

design automation, FPGA, HDL, artificial neural networks

References

• Z. ŞEN, Yapay Sinir Ağları İlkeleri, İstanbul: Su Vakfı, 2004.
• Ç. ELMAS, Yapay Zekâ Uygulamaları, Ankara: Seçkin Yayıncılık, 2007.
• E. KANDEL, Principles of Neural Science, U.S.A.: Elsevier Science Publishing Co. , 1991.
• Ö. YILDIZ, Döviz Kuru Tahmininde Yapay Sinir Ağlarının Kullanımı, Eskişehir: Anadolu Üniversitesi (Yüksek Lisans Tezi), 2006.
• J. TEBELKIS, Speech Recognition Using Neural Networks, Pennsylvania: School of Computer Science Carnegie Mellon University ( Doctor of Philosophy Thesis), 1995.
• İ. ŞAHİN ve C. S. GLOSTER, Evaluation of Ic Physical Design Optimization Algorithms for Acceleration Using FPGA-Based Custom Computing Machines., Konya: İleri Teknolojiler Sempozyumu, 2005.
• İ. ŞAHİN ve C. S. GLOSTER, FPGA Tabanlı CCM’ler İçin Genel Amaçlı Bir Ara yüz, Kocaeli: Bilimde Modern Yöntemler Sempozyumu, 2005.
• C. S. GLOSTER and İ. ŞAHİN, "Floating-Point Modules Targeted for Use with RC Compilation Tools," in Earth Science Technology Conference (ESTC), College Park, MD., 2001.
• İ. ŞAHİN, C. S. GLOSTER and C. DOSS, "Feasibility of Floating-Point Arithmetic in Reconfigurable Computing Systems," in Military and Aerospace Applications of Programmable Devices and Technology Conference, Washington, DC, 2000.
• İ. ŞAHİN, "A 32-Bit Floating-Point Module Design for 3D Graphic Transformations," Scientific Research and Essays, vol. 5, no. 20, pp. 3070-3081, 2010.
• İ. KOYUNCU, A Matrix Multiplication Engine for Graphic Systems Designed to run on FPGA Devices, Düzce-Türkiye: Düzce Üniversitesi (Doktora Tezi), 2008.
• İ. ŞAHİN, A Compilation Tool for Automated Mapping of Algorithms onto FPGA Based Custom Computing Machines, Raleigh-USA: NC State University (Doktora Tezi), 2002.
• M. A. ÇAVUŞLU, C. KARAKUZU, S. ŞAHİN ve F. KARAKAYA, Yapay Sinir Ağı Eğitiminin IEEE 754 Kayan Noktalı Sayı Formatı İle FPGA Tabanlı Gerçeklenmesi, İstanbul: İstanbul Teknik Üniversitesi (GOMSİS), 2008.
• M. A. ÇAVUŞLU, H. ALTUN ve F. KARAKAYA, Plaka Yeri Tespiti İçin Kenar Bulma, Bit Tabanlı Öznitelik Çıkartma ve YSA Sınıflandırıcısının FPGA Üzerine Uyarlanması, İstanbul: İstanbul Teknik Üniversitesi (GOMSİS), 2008.
• F. BENREKİA, M. ATTARİ, A. BERMAK and K. BELHOUT, "FPGA implementation of a neural network classifier for gas sensor array applications," in 6th International Multi-Conference on Systems, Signals and Devices, Djerba,1-6, 2009.
• R. K. WEINSTEIN and H. LEE, "Architectures for High-Performance FPGA Implementations of Neural Models," Journal Of Neural Engineering, Vols. 21-34, no. 3, pp. R.K. WEINSTEIN, H. LEE, 2006, Architectures for High-Performance FPGA Implementations of Neural Models, Insiıtute of Physics Publishing Journal Of Neural Engineering, 3 (2006) 21–34., 2006..
• A. UÇAR, Türkçe Fonemlerin Sınıflandırılmasında Kullanılan Sinir Ağının FPGA Uygulaması, Ankara: Hacettepe Üniversitesi (Yüksek Lisans Tezi), 2007.
• J. L. BASTOS, H. P. FİGUEROA and A. MONTİ, "FPGA Implementation of Neural Network-Based Controllers for Power Electronics Applications," in Applied Power Electronics Conference and Exposition, 2006. APEC '06. Twenty-First Annual IEEE, Orlando, FL, USA, 2006.
• J. FREEMAN and D. SKAPURA, Neural Networks Algorithms, Applications, and Programming Techniques, Boston, USA: Addison-Wesley Publishing Company, 1991.