Amaliy mashg’ulot №8. Vlsi fpga uchun matlab yordamida sun'iy neyron tarmoqlarni loyihalash Ishning maqsadi

8.4. Neyron tarmoq’ini arxitekturasi.
Birinchi bosqichda, Modelga yo’naltirilgan loyihalash kontseptsiyasiga muvofiq tarmoq arxitekturasi yoki algoritm modelini ishlab chiqish uchun har bir raqam uchun 28 × 28 pikselli 1000 ta tasvirni o'z ichiga olgan tasvirlar to'plamidan foydalanish maqsadga muvofiq bo’ladi. Masalan, har bir raqam uchun 750 ta tasvirni o'rgatish, qolgan ma'lumotlarda esa tarmoqning to'g'riligini tekshirishga ishlatish mumkin.
Masalan, dastlab tarmoqda 15 qatlam va tuzilish 8.12-rasmda ko'rsatilgan va bu tarmoq arxitekturasi tasvirlarning sinovlar to'plamida 99,8% aniqligini ko'rsatdi.

8.12-rasm. Boshlangich neyron tarmog'idagi qatlamlar tuzilishi.

MATLAB Deep Learning Toolbox kutubxonasi funktsiyalari neyron tarmoqni yaratish va o'qitish uchun ishlatilishi mumkin. Keyingi harakatlar tarmoqning arxitekturasini optimallashtirishga yo'naltirilgan bo'lishi kerak, bu esa tarmoqning hisoblash murakkabligini kamaytirish (bir tasvirni tasniflash uchun matematik operatsiyalar soni), bashoratli aniqlikni ozgina yo'qotishi bilan uning ish faoliyatini oshiradi. keyinchalik FPGA -dagi resurslarni tejash (kerakli apparat ko'paytiruvchilar sonini kamaytirish va tarmoq koeffitsientlarini (og'irliklarini) saqlash uchun xotirani kamaytirish).

Optimallashtirish jarayonida keyin NT arxitekturasi 98,8% aniqlikdagi 7 qatlamdan iborat bo'ladi (8.13 -rasm).

8.13-rasm. Optimallashtirilgan NT qatlamlari tuzilishi.

Shunday qilib, birinchi bosqichda NT arxitekturasini soddalashtirib qatlamlari kamroq bo'lgan tarmoq yaratiladi. Qatlamlar soni ikki baravarga (15 tadan 7 tagacha) qisqargan, shu bilan birga tanib olish aniqligi atigi 1% ga (99,8% dan 98,8% gacha) kamaygan. Natijada qo’yilga maqsad, yaniy tarmoqni apparat platformasida (VLSI FPGA -da) amalga oshirish va ishlatiladigan resurslarni kamaytirish imkoniyatini yaratildi.

8.5. FPGA -da qurilmani yaratish algoritmini tayyorlash.
Ushbu bosqichda FPGA -da qurilma yaratish uchun algoritmini tayyorlash talab qilindi. Vazifa algoritmni o’zgarmas nuqtali sonlarda ifodalangan ma'lumotlar va oqim arxitekturasi bilan ishlashga moslashtirishdan iborat. Ma'lumotlar odatda freymlar yordamida qayta ishlanadigan mikroprotsessor arxitekturasidan farqli o'laroq, ma'lumotlar FPGA -da, qoida tariqasida, pikselma piksel va o’zgarmas nuqtali oqimda qabul qilinadi hamda qayta ishlanadi.
MATLAB -dagi funktsional tarmoq modeli asosida NT algoritmining Simulink modeli yaratiladi, u pikselma piksel kirish tasviri bilan ishlaydi va FPGA -larda apparatda yaratisga mos keladi (8.14 -rasm).

8.14-rasm. Simulink muhitida neyron tarmoqi algoritmining modeli.

Simulinkda neyron tarmoqning dastlabki 5 qatlami oxirgi 2 qatlamdan tashqari amalga oshirilgan. Oxirgi qatlamning vazifasi "softmax" va oxirgi qatlam "classification"

- bu ehtimolliklarning [0 ... 1] diapazonidagi normallashuviga olib kelish va maksimal ehtimoli bo'lgan sinfni belgilash, lekin bizning vazifamizda ehtimollik normallashtirilgan qiymatini aniqlash muhim emas shu sabab hisob -kitoblarni kamaytirish maqsadida, bu bloklar signalning maksimal miqdorini topishga mo’ljallangan bitta oddiy blok bilan almashtirildi;
- maksimal signalga ega bo'lgan o'tkazgichning nomeri - bu maksimal ehtimolli bo'lgan chiqish hisoblanadi.
Birinchi bosqichda olingan o'rgatilgan tarmoq koeffitsientlari mat-faylda saqlanadi va Simulink modelini ishga tushirish vaqtida yuklanadi. Algoritm modelini o’zgarmas nuqtali ko’rinishga o’tkazilga, kerakli ma'lumotlar xonaligi ehtimollik qiymatining o'zgarishi chegarasi bilan baholanadi. Ma'lumotlarning bitlar xonasi, ehtimollik o'zgarishi raqamning uchinchi raqamidan oshmasligi sababli tanlangan, natijada ma'lumotlar uchun 16 bitli raqamlar tanlangan, shu jumladan, ishora ushun bitta bit zaxiraga qilingan.