Implementation of binary neural networks in FPGA-based reconfigurable systems
FPGA tabanlı yapılandırılabilir sistemlerde ikili sinir ağlarının uygulanması
- Tez No: 958814
- Danışmanlar: DOÇ. DR. ERDEM AKAGÜNDÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Gömülü sistemlerde gerçek zamanlı performans ve enerji verimliliğinin kritik olduğu durumlarda ikili sinir ağları giderek daha fazla önem kazanmaktadır. Model parametre ve aktivasyon değerlerini ikili değerlere indirgeyen güçlü bir sıkıştırma yöntemi olan binarizasyon, hesaplama karmaşıklığını ve bellek gereksinimlerini önemli ölçüde azaltır. Ancak bu sıkıştırma yöntemi genellikle bilgi kaybına yol açarak model doğruluğunu olumsuz etkileyebilir. Bu çalışma, gelişmiş binarizasyon yöntemlerini incelemekte ve daha önce binarize edilmemiş olan SqueezeNet gibi hafif mimarilere uygulamaktadır. Binarize edilmiş bir SqueezeNet sürümü önerilmekte ve mimari iyileştirmelerle optimize edilmektedir. FPGA'lar için yapay zeka donanım geliştirme ortamlarına dair kapsamlı bir literatür taraması sunularak mevcut platformlar, tasarım felsefesi, optimizasyon stratejileri ve dağıtım uyumluluğu temelinde kategorize edilip değerlendirilmektedir. Özellikle FINN ve HLS4ML olmak üzere iki ortama özel önem verilmekte ve bu ortamların FPGA platformlarında ikili sinir ağlarını uygulamak için nasıl kullanıldıkları ayrıntılı olarak incelenmektedir. Çalışma, MNIST, CIFAR-10 ve ImageNet gibi farklı karmaşıklık düzeylerindeki veri kümeleriyle performans değerlendirmesini ve uygulama zorluklarını ele almaktadır. Tam kesinlik ve ikilenmiş kesinlikteki modellerin karşılaştırmalı analizi, mimari ve donanım geliştirme ortamı tercihlerinin doğruluk, kaynak verimliliği ve performans üzerindeki etkilerini ortaya koymaktadır. Uygulama sonuçları değerli bulgular sağlarken, bu çalışma, kısıtlı gömülü sistemlerde pratik ikili sinir ağı uygulamaları için kritik olan mimari ve donanım düzeyindeki konulara dikkat çekmektedir.
Özet (Çeviri)
In embedded and edge computing systems where real-time performance and energy consumption are critical, binary neural networks are becoming more and more relevant. Computational complexity and memory requirements are much lower with binarization, a strong compression method that lowers network weights and activations to binary values. However, this compression often leads to information loss, impacting model accuracy. This study examines advanced binarization methods and applies them to lightweight architectures such as SqueezeNet, which has not been previously binarized. A binarized version of SqueezeNet is proposed and optimized with architectural enhancements. A comprehensive survey of artificial intelligence hardware frameworks for FPGAs are presented by categorizing and evaluating existing platforms based on design philosophy, optimization strategies, and deployment compatibility. Particular emphasis is placed on two frameworks, FINN and HLS4ML, which are explored in detail to implement binarized neural networks on FPGA platforms. The study evaluates performance trade-offs and implementation challenges using datasets of varying complexity, including MNIST, CIFAR-10, and ImageNet. Comparative analysis of full-precision and binarized models highlights the impact of architecture and hardware framework choices on accuracy, resource efficiency, and performance. While practical deployment outcomes provide valuable insights, this study emphasizes architectural and hardware-level considerations critical for practical binary neural network applications in constrained embedded systems.
Benzer Tezler
- Accelerated object detection on FPGA SoC
FPGA SoC üzerinde hızlandırlmış nesne tespiti
MEHMET AYDIN KARA
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEM ÜNSALAN
- Adaptive symbol glossary for pattern based cognitive communication system
Örüntü tabanlı bilişsel haberleşme sistemi için uyarlamalı sembol sözlüğü
HUSAM Y. I ALZAQ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Sayısal donanım gerçeklemesine yönelik el yazısı karakter tanıma sistemi tasarımı
Handwritten character recognation system desing for digital hardware implementation
NURULLAH ÇALIK
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. VEDAT TAVŞANOĞLU
- İkili yapay sinir ağları için bir öğrenme algritması
A Learning algorithms for binary neural networks
ERSAN ALFAN
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR ÇİLİNGİROĞLU
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA