مانی میرجوای - دانشجو کارشناسی ارشد معماری سیستم های کامپیوتری دانشگاه گیلان
مهدی امینیان - استادیار گروه مهندسی کامپیوتر ،دانشکده فنی دانشگاه گیلان

استفاده از شبکه های عصبی عمیق رور به روز در حال افزایش است و هر روز کاربرد های بیشتری از آن مورد استفاده محققین قرار می گیرد.از طرفی پیاده سازی بهینه شبکه های عصبی عمیق روی سخت افزار ها همیشه یکی از دغدغه های مهم محققین بوده.چرا که آن ها می خواهند تمرکز خود را روی فریمورک های سطح بالایی همچون تنسورفلوها قرار دهند و با استفاده از زبان های سطح بالا مدل های خود راطراحی کنند و درگیر پیاده سازی های سخت افزاری دشوار نشوند.یکی از اصلی ترین سخت افزار هادر کنار کارت های گرافیک و پردازنده های ASIC برای پیاده سازی مدل های شبکه های عصبی عمیق FPGA ها هستند چرا که قابل باز پیکر بندی بودنشان گزینه های بهینه سازی زیادی را در اختیار مان قرار می دهد.در پژوهش پیش رو کامپایلری ارائه می شود که به طور خودکار می تواند مدل های شبکه های عصبی عمیق را از فریمورک های سطح بالایی همچون تنسورفلو دریافت کند و آن ها را به صورت بهینه روی FPGA ها پیاده سازی نماید.در این پژوهش ابتدا به فضاهایی که می توان آن ها را بهبود داد اشاره می شود وسپس روند کلی کامپایلر تشریح خواهد شد.در نهایت مشاهده می کنیم که نتایج کامپایلر تشریح خواهد شد.در نهایت مشاهده می کنیم که نتایج کامپایلر ارائه شده می تواند با ابزارهای تجاری موجود در بازار رقابت کند

شبکه های عصبی عمیق،یادگیری ماشین،مدارهای مجتمع قابل باز پیکر بندی ،FPGA