Derin öğrenmenin Caffe kullanılarak grafik işleme kartlarında değerlendirilmesi

Yıl 2018, Cilt: 9 Sayı: 1, 39 - 49, 04.04.2018

Ayşegül Uçar , Mehmet Safa Bingöl

Öz

Yapay Sinir Ağları (YSA’lar) bilgisayar görmesinden konuşma tanımaya kadar birçok uygulamada kullanılmaktadır. YSA’lar, geleneksel hesaplama yöntemlerinden daha üstün sonuçlar vermektedir. Ancak veri sayısının büyük olduğu uygulamalarda, çok fazla hesaplama gerektirmektedir. Bu nedenle verileri paralel işleyerek sistemlere hız kazandıran Grafik İşleme Birimlerinin kısaca GPU’ların (Graphics Processing Units) kullanımını zorunlu hale gelmiştir. Son yıllarda, YSA’ların bir çeşidi olan derin öğrenme algoritmaları GPU’lar sayesinde, gerçek hayattaki birçok uygulamada başarılı olarak uygulanmış ve GPU içeren gömülü sistemlere talep artmıştır.

Bu çalışmada, derin öğrenme yöntemlerinden birisi olan Derin Konvolüsyonel Sinir Ağları (DKSA’lar) ve katmanları kısaca tanıtılmış ve düşük maliyetli Nvidia Jetson TK1/TX1 gömülü sistemleri genel olarak incelenmiştir. Derin öğrenme algoritmalarını uygulamak için Kaliforniya Üniversitesi, Berkeley tarafından geliştirilen Caffe programı kullanılmıştır. Son olarak paralel işleme gücüne sahip olan Nvidia Jetson TK1/TX1 kartları üzerinde MNIST verileri kullanılarak LeNet ağının eğitimi gerçekleştirilmiştir. Eğitim için kartların hem Merkezi İşleme Birimleri kısaca CPU’ları (Central Processing Unit) hem de GPU’ları kullanılmıştır. Deneysel sonuçlar için, Nvidia Jetson TK1/TX1 kartlarına ek olarak Nvidia GTX550 ve GTX960 ekran kartlarına sahip iki bilgisayar da kullanılmıştır. Sonuçlar, hız ve doğruluk açısından değerlendirilmiştir.

Anahtar Kelimeler

ECoG Derin öğrenme, konvolüsyonel sinir ağları, LeNet, MNIST, Caffe, Nvidia Jetson TK1/TX1

Kaynakça

• LeCun, Y., Boser, B., Denker, J.S., Henderson, D.R., Howard, E., Hubbard, W., and Jackel, L.D., (1989). “Backpropagation applied to handwritten zip code recognition”, Neural Computation, 1, 4, 541–551.
• Bengio, Y., (2009). “Learning deep architectures for AI. Foundations and Trends in Machine Learning”, 1, 1–127.
• Uçar, A., Demir, Y., and Güzeliş, C., (2016). “Moving Towards in Object Recognition with Deep Learning for Autonomous Driving Applications”, INnovations in Intelligent SysTems and Applications (INISTA), International Symposium on IEEE.
• Deng, L., and Yu, D., (2014). “Deep Learning: Methods and Applications”, Foundations and Trends in Signal Processing, 7, 3–4.
• Christian, S., Toshev, A., and Ethan, D., (2013). “Deep neural networks for object detection”, Advances in Neural Information Processing Systems, 2553-2561.
• Haykin S., (2008) “Neural Networks and Learning Machines”. 3rd ed. New Jersey, USA: Prentice Hall.
• http://www.nvidia.com.tr/object/jetson-tk1-embedded-dev-kit-tr.html
• Bauman, B., (2015). “Jetson TK1”, Department of Computer Engineering University of Heidelberg Germany.
• Jia,Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., Darrell, T., (2014). “Caffe: Convolutional Architecture for Fast Feature Embedding”, arXiv preprint arXiv:1408.5093.
• LeCun, Y., Cortes. C., (1998). “The MNIST database of handwritten digits”.
• LeCun, Y., Jackel. L.D., Bottou. L., Cortes. C., Denker. J.S., Drucker. H., Guyon. I., Muller, (1995). “Learnıng algorithms for classification: a comparison on handwritten digit recognition”, website:http://yann.lecun.com/exdb/publis/pdf/lecun-95a.pdf.
• https://shadowthink.com/blog/tech/2016/08/28/Caffe-MNIST-tutorial