Resumen:
|
[ES] En este trabajo nos centramos en la Redes Neuronales Convolucionales (en inglés,
Convolutional Neural Networks o CNN). El auge de este tipo de redes neuronales se debe a su
uso potencial tanto para el reconocimiento ...[+]
[ES] En este trabajo nos centramos en la Redes Neuronales Convolucionales (en inglés,
Convolutional Neural Networks o CNN). El auge de este tipo de redes neuronales se debe a su
uso potencial tanto para el reconocimiento de imágenes, como para ciertas aplicaciones
relacionadas con la inteligencia artificial. La investigación sobre este tipo de redes ha aumentado
año tras año y a medida que surgen nuevos usos la capacidad de cómputo necesaria ha aumentado
hasta tal punto que los procesadores convencionales tienen dificultades para llevarlas a cabo y no
ofrecen la eficiencia energética deseada.
Visto que los procesadores convencionales no son adecuados, surge un nuevo tipo de
procesadores llamados Arrays Sistólicos o Procesadores Sistólicos, los cuales se especializan en
el cómputo de este tipo de redes neuronales. Algunos de los ejemplos sobre los que hemos
trabajado para la realización de este proyecto son la TPU de Google o el Eyeriss.
El objetivo de este trabajo es evaluar el desempeño y eficiencia energética de estos
procesadores variando diversos parámetros arquitectónicos. Para ello hemos elegido un simulador
de Arrays Sistólicos conocido como SCALE-Sim master. Este simulador permite obtener
resultados de rendimiento y eficiencia para una determinada configuración de procesador.
Los resultados muestran que, para la mayoría de las aplicaciones estudiadas, teniendo en
cuenta la eficiencia energética, un array de 64x64 PE resulta adecuado, aunque arrays
rectangulares (no cuadrados) pueden resultar interesantes para mejorar algunas aplicaciones. Por
otro lado, se ha comprobado que el ancho de banda de memoria puede tener un gran impacto
sobre el tiempo de ejecución, por lo que es necesario que los modelos de array sistólico incorporen
este parámetro en el cálculo de las prestaciones.
[-]
[CA] En aquest treball ens centrem en la Xarxes Neuronals Convolucionals (en anglès, Convolutional
Neural Networks o CNN). L'auge d'aquest tipus de xarxes neuronals es deu al seu ús potencial
tant per al reconeixement ...[+]
[CA] En aquest treball ens centrem en la Xarxes Neuronals Convolucionals (en anglès, Convolutional
Neural Networks o CNN). L'auge d'aquest tipus de xarxes neuronals es deu al seu ús potencial
tant per al reconeixement d'imatges, com per a certes aplicacions relacionades amb la
intel·ligència artificial. La investigació sobre aquest tipus de xarxes ha augmentat any rere any i
a mesura que sorgeixen nous usos la capacitat de còmput necessària ha augmentat fins a tal punt
que els processadors convencionals tenen dificultats per a dur-les a terme i no ofereixen
l'eficiència energètica desitjada.
Vist que els processadors convencionals no són adequats, sorgeix un nou tipus de processadors
anomenats Arrays Sistòlics o Processadors Sistòlics, els quals s'especialitzen en el còmput
d'aquest tipus de xarxes neuronals. Alguns dels exemples sobre els quals hem treballat per a la
realització d'aquest projecte són la TPU de Google o el Eyeriss.
L'objectiu d'aquest treball és avaluar l'acompliment i eficiència energètica d'aquests processadors
variant diversos paràmetres arquitectònics. Per a això hem triat un simulador de Arrays Sistòlics
conegut com SCALE-Sim master. Aquest simulador permet obtindre resultats de rendiment i
eficiència per a una determinada configuració de processador.
Els resultats mostren que per a la majoria d'aplicacions estudiades, tenint en compte
l'eficiència energètica, un array de 64x64 PE resulta adequat, encara que arrays rectangulars (no
quadrats) poden resultar interessants per a millorar algunes aplicacions. D'altra banda, s'ha
comprovat que l'ample de banda de memòria pot tindre un gran impacte sobre el temps d'execució,
per la qual cosa és necessari que els models d’array sistòlic incorporen aquest paràmetre en el
càlcul de les prestacions.
[-]
[EN] In this work we focus on Convolutional Neural Networks. The rise of this type of neural
networks is due to its potential use both for image recognition, and for certain applications related
to artificial intelligence. ...[+]
[EN] In this work we focus on Convolutional Neural Networks. The rise of this type of neural
networks is due to its potential use both for image recognition, and for certain applications related
to artificial intelligence. Research on these types of networks has increased year after year and as
new uses arise the necessary computing capacity has increased to such an extent that conventional
processors have difficulty carrying them out and do not offer the desired energy efficiency.
Since conventional processors are not suitable, a new type of processors called Systolic Arrays
or Systolic Processors arises, which specialize in the computation of this type of neural networks.
Some of the examples on which we have worked for the realization of this project are the Google
TPU or the Eyeriss.
The objective of this work is to evaluate the performance and energy efficiency of these
processors by varying various architectural parameters. For this we have chosen a systolic Array
simulator known as SCALE-Sim master. This simulator allows to obtain performance and
efficiency results for a certain processor configuration.
The results show that for the majority of applications studied, taking into account energy
efficiency, an array of 64x64 PE is suitable, although rectangular (non-square) arrays may be
interesting to improve some applications. On the other hand, it has been verified that the memory
bandwidth can have a great impact on the execution time, so it is necessary that the systolic array
incorporate this parameter in the calculation of the performance.
[-]
|