| KEYWORD |
Implementazione di Reti Neurali Convoluzionali a precisione ridotta
Parole chiave EMBEDDED SYSTEMS, PROGETTAZIONE DIGITALE, RETI NEURALI ARTIFICIALI
Riferimenti DANIELE JAHIER PAGLIARI, MASSIMO PONCINO
Gruppi di ricerca GR-06 - ELECTRONIC DESIGN AUTOMATION - EDA
Tipo tesi MAGISTRALE
Descrizione Le reti neurali convoluzionali (CNN) usate nei task di classificazione di immagini, richiedono tipicamente risorse computazionali ed energetiche elevate, che ne limitano l'utilizzo nei dispositivi embedded. Una delle soluzioni hardware più efficaci per ottimizzare i consumi energetici delle CNN consiste nel rimpiazzare le operazioni floating-point con equivalenti in fixed-point a precisione ridotta (4-8 bit). In particolare, studi recenti hanno dimostrato che utilizzare una precisione variabile a seconda dell'immagine da classificare porta a risultati promettenti in termini di accuratezza. Tuttavia, la scelta della precisione da utilizzare per una data immagine rimane un problema parzialmente aperto.
L'obiettivo della tesi è lo studio e l'implementazione di algoritmi per la selezione di tale precisione a runtime, tramite l'analisi dell'immagine in ingresso e del comportamento della rete stessa. Verrà inoltre considerata la possibilità di utilizzare precisioni differenti in diverse sezioni della rete (layers).
Il candidato valuterà gli algoritmi utilizzando uno dei software framework più diffusi nell'ambito del deep learning (Tensorflow, PyTorch, etc.) che verrà selezionato in una fase iniziale, in base alle possibilità sa esso offerte rispetto all'obiettivo della tesi.
Conoscenze richieste Una conoscenza di basedel linguaggio Python è utile ma non necessaria.
Scadenza validita proposta 05/05/2019
PROPONI LA TUA CANDIDATURA