ترجمه فارسی مقاله rule4ml: ابزاری متنباز برای استفاده از منابع و تخمین تأخیر برای مدلهای یادگیری ماشین روی FPGA
| عنوان مقاله به انگلیسی | rule4ml: An Open-Source Tool for Resource Utilization and Latency Estimation for ML Models on FPGA |
| عنوان مقاله به فارسی | rule4ml: ابزاری متنباز برای استفاده از منابع و تخمین تأخیر برای مدلهای یادگیری ماشین روی FPGA |
| نویسندگان | Mohammad Mehdi Rahimifar, Hamza Ezzaoui Rahali, Audrey C. Therrien |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 22 |
| دسته بندی موضوعات | Machine Learning,Artificial Intelligence,Hardware Architecture,یادگیری ماشین , هوش مصنوعی , معماری سخت افزار , |
| توضیحات | Submitted 9 August, 2024; originally announced August 2024. |
| توضیحات به فارسی | ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. |
قیمت: 19,000 تومان
سفارش
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش میدهید.
قیمت: 880,000 تومان
زمان تحویل: 2 تا 3 روز کاری
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
Implementing Machine Learning (ML) models on Field-Programmable Gate Arrays (FPGAs) is becoming increasingly popular across various domains as a low-latency and low-power solution that helps manage large data rates generated by continuously improving detectors. However, developing ML models for FPGAs is time-consuming, as optimization requires synthesis to evaluate FPGA area and latency, making the process slow and repetitive. This paper introduces a novel method to predict the resource utilization and inference latency of Neural Networks (NNs) before their synthesis and implementation on FPGA. We leverage HLS4ML, a tool-flow that helps translate NNs into high-level synthesis (HLS) code, to synthesize a diverse dataset of NN architectures and train resource utilization and inference latency predictors. While HLS4ML requires full synthesis to obtain resource and latency insights, our method uses trained regression models for immediate pre-synthesis predictions. The prediction models estimate the usage of Block RAM (BRAM), Digital Signal Processors (DSP), Flip-Flops (FF), and Look-Up Tables (LUT), as well as the inference clock cycles. The predictors were evaluated on both synthetic and existing benchmark architectures and demonstrated high accuracy with R2 scores ranging between 0.8 and 0.98 on the validation set and sMAPE values between 10% and 30%. Overall, our approach provides valuable preliminary insights, enabling users to quickly assess the feasibility and efficiency of NNs on FPGAs, accelerating the development and deployment processes. The open-source repository can be found at https://github.com/IMPETUS-UdeS/rule4ml, while the datasets are publicly available at https://borealisdata.ca/dataverse/rule4ml.
چکیده به فارسی (ترجمه ماشینی)
اجرای مدل های یادگیری ماشین (ML) در آرایه های دروازه قابل برنامه ریزی (FPGA) به عنوان یک راه حل کم تحرک و کم قدرت که به مدیریت نرخ داده های بزرگ تولید شده توسط بهبود مداوم آشکارسازها کمک می کند ، به طور فزاینده ای در حوزه های مختلف محبوب می شود.با این حال ، توسعه مدل های ML برای FPGA ها وقت گیر است ، زیرا بهینه سازی برای ارزیابی منطقه FPGA و تأخیر نیاز به سنتز دارد و روند را کند و تکراری می کند.در این مقاله یک روش جدید برای پیش بینی استفاده از منابع و تأخیر استنباط شبکه های عصبی (NNS) قبل از سنتز و اجرای آنها در FPGA ارائه شده است.ما از HLS4ML استفاده می کنیم ، یک جریان ابزار که به ترجمه NN ها به کد سنتز سطح بالا (HLS) کمک می کند تا یک مجموعه داده متنوع از معماری های NN و آموزش استفاده از منابع و پیش بینی های تأخیر استنباط را آموزش دهیم.در حالی که HLS4ML برای به دست آوردن بینش منابع و تأخیر به سنتز کامل نیاز دارد ، روش ما از مدل های رگرسیون آموزش دیده برای پیش بینی های فوری قبل از سنتز استفاده می کند.مدل های پیش بینی میزان استفاده از RAM بلوک (BRAM) ، پردازنده های سیگنال دیجیتال (DSP) ، Flip-Flops (FF) و جداول جستجو (LUT) و همچنین چرخه ساعت استنتاج را تخمین می زند.پیش بینی کننده ها در هر دو معماری معیار مصنوعی و موجود مورد بررسی قرار گرفتند و دقت بالایی را با نمرات R2 بین 0.8 تا 0.98 در مجموعه اعتبار سنجی و مقادیر SMAPE بین 10 ٪ تا 30 ٪ نشان دادند.به طور کلی ، رویکرد ما بینش های اولیه ارزشمندی را ارائه می دهد ، و به کاربران این امکان را می دهد تا امکان سنجی و کارآیی NN در FPGA ها را به سرعت ارزیابی کنند و روند توسعه و استقرار را تسریع کنند.مخزن منبع باز را می توان در https://github.com/impetus-udes/rule4ml یافت ، در حالی که مجموعه داده ها به صورت عمومی در https://borealisdata.ca/dataverse/rule4ml در دسترس هستند.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.