optimización hardware e mellora da funcionalidade de redes celulares non lineais

Optimización Hardware e Mellora Optimización Hardware e Mellora da Funcionalidade de Redes da Funcionalidade de Redes

Celulares Non LineaisCelulares Non Lineais

Autora: Natalia Abel Fernández GarcíaAutora: Natalia Abel Fernández García

Directores: Victor Brea SánchezDirectores: Victor Brea Sánchez

Diego Cabello FerrerDiego Cabello Ferrer

22

DESCRIPCIÓN DA APLICACIÓN •Linguaxe natural

•Especificacións Iniciais

VALIDACIÓN SOFTWARE•Linguaxes software

de alto nivel•Restricións adicionais

DESCRIPCIÓN DA ARQUITECTURA•Software específico

•Restricións específicas

DESEÑO HARDWARE

ContextualizaciContextualizaciónón

OffsetOut_A0

Out_A8

sel_ep

Out_A8

+

Out_A0

+

sel_ep

startck

sel_A(0)

start

Initial or FinalContour Image

CP

D(3

)

reset

sel_A (0)+

A_0 A_1 A_2 A_3 A_4 A_5 A_6 A_7 A_8

Out_A0 Out_A1 Out_A2 Out_A3 Out_A4 Out_A5 Out_A6 Out_A7 Out_A8

+ +

++++

+

+

+

+

+

++

+++

+

A_1 A_2 A_3 A_4 A_5 A_6 A_7 A_8


A_0Off

Offset

llm(3)

sd_n

ext_ l

int_l0

eng_n

eng_seng_w

eng_e

EP-IE Block

AdderCir cuit

d_out

ck_spm

col_sel

sel_A(1)

sel_A (1)+

sel_A (2)+

sel_A (3)+

out

out

eng_neigh

llm(3)CPD(3)

sd_wsd_esd_sckckpckn

vbias1vbias2

IE(3)sel_ep

X Y

LLM(1) LLM(2) LLM(3) LLM(4) SPM

+

col_sel_ep

B/W Cell

Gra

y-Sc

ale

Cel

l

InterfaceCircuitry

MOTIVACIÓNMOTIVACIÓN 33

Arquitectura base: CNNArquitectura base: CNN

ijkljiNlkijklkl

jiNlkijklijij IuBtyAtxtx

dt

d

rr

),(,),(,

)()()(

ijkljiNlkijklkl

jiNlkijklij IuBnyAnx

rr

),(,),(,

)()1(

)( ijij xfy f(x)

x

+1

+1

-1

-1

+1

+1

-1

-1

f(x)

x

f(x)

x

+1

+1

-1

-1

A

B

G F

I

Y

U

x y

Cela

MOTIVACIÓNMOTIVACIÓN 44

0.750.75 11 0.750.75

11 00 11

0.750.75 11 0.750.75

00A= B= I=0 0 -4-4 00

-4-4 -2-2 -4-4

00 -4-4 00

0.250.25 00 0.250.25

00 00 00

0.250.25 00 0.250.25

00A= B= I=-0.25 -0.25 00 -0.25-0.25

00 0.250.25 00

-0.25-0.25 00 -0.25-0.25

00 -0.19-0.19 00

-0.19-0.19 00 -0-19-0-19

00 -0.19-0.19 00

00A= B= I=1.51.5 -0.5-0.5 1.51.5

-0.5-0.5 -6-6 -0.5-0.5

1.51.5 -0.5-0.5 1.51.5

Marco CNNMarco CNN

55

Motivación

Emulación de patróns de gran veciñanza

Redución de hardware

Conclusións e traballo futuro

ÍndiceÍndice

MotivaciónMotivación

20/04/2320/04/23 66

Dous problemas Dous problemas fundamentaisfundamentais

• Patróns de gran veciñanzaPatróns de gran veciñanza

• Requirimento de área mínimaRequirimento de área mínimaOffsetOut_A0

Out_A8

sel_ep

Out_A8

+

Out_A0

+

sel_ep

startck

sel_A(0)

start


CP

D(3

)

reset

sel_A (0)+

A_0 A_1 A_2 A_3 A_4 A_5 A_6 A_7 A_8


+ +

++++

+

+

+

+

+

++

+++

+

A_1 A_2 A_3 A_4 A_5 A_6 A_7 A_8


A_0Off

Offset

llm(3)

sd_n

ext_ l

int_l0

eng_n

eng_seng_w

eng_e

EP-IE Block

AdderCir cuit

d_out

ck_spm

col_sel

sel_A(1)

sel_A (1)+

sel_A (2)+

sel_A (3)+

out

out

eng_neigh

llm(3)CPD(3)


vbias1vbias2

IE(3)sel_ep

X Y


+

col_sel_ep

B/W Cell

Gra

y-Sc

ale

Cel

l

InterfaceCir cuitry0,6 6,4

0,1 0,6 1,8

1,8

2,7

6,4 15,424,7

29,4

3.2

3.2

3,8

3,8

10,1

10,1

11,7

11,7

24,7

29,4 54,243,2

43,236,4

0,6 6,4

0,1 0,6 1,8

1,8

2,7

6,4 15,4

1,8

3.2 10,1

15,4

1,8

3.2

6,4

6,4

10,1

15,4 15,4

24,7

24,7

24,7

24,7

24,7

24,7

29,4

29,4

36,4

43,2

43,2

36,4 36,4

24,7

29,4

3.2

3.2

3,8

3,8

10,1

10,1

11,7

11,7

24,7

29,4 54,243,2

43,236,4

0,6 6,4

0,1 0,6 1,8

1,8

2,7

6,4 15,4

77

Motivación




ÍndiceÍndice

Emulación de patróns de gran veciñanzaEmulación de patróns de gran veciñanza

Emulación de Patróns de Gran VeciñaEmulación de Patróns de Gran Veciñanzanza

88

Solucións previasSolucións previas

Descomposición e realimentación Descomposición e realimentación

Innovación hardwareInnovación hardware

Fragmentación e desprazamentoFragmentación e desprazamento

Baseadas en mapas de polarizaciónBaseadas en mapas de polarización

20/04/2320/04/23 Emulación de Patróns de Gran VeciñaEmulación de Patróns de Gran Veciñanzanza

99

Premisas:

• DTCNN

• Función de saída cuasilineal (e estado no rango lineal)

• Procesamento de imaxes de grises

Contrapartidas:

• Aumento no número de operacións

Descomposición e RealimentaciónDescomposición e Realimentación

K. Slot (1991):

33334

333

332

331

55 ˆˆ xAUX

xxxxx AAAAAA 2

15

2

3)( 1 rrNO


1010

Transformacións profundas a nivel de arquitectura ou dispositivo

Innovación HardwareInnovación Hardware

POAC (Optical Programmable Array/Analogic Computer): unidade óptica de procesamento

BJT CNN (Bipolar Junction Transition): caracteríaticas físicas dos semiconductores, transporte por difusión

QCAs (Quantum Cellular Automata) : forza de Coulomb

Conexións físicas directas limitadas permitidas grazas á simplificación do hardware nos elementos de procesamento


1111

• Patrón B en CTCNNs

• Patróns múltiplos enteiros de 3

• Desprazamento do resultado

Fragmentación e DesprazamentoFragmentación e DesprazamentoK.R. Crounse (1997): propiedades da convolución

M.H. ter Brugge (1998): morfoloxía matemática

3)( rrNO

• DTCNNs

• Patróns múltiplos enteiros de 3

• Imaxes binarias

• Desprazamento compartidos dos sub-patróns

2)( rrNO

L. Koskinen (2004): desprazamentos hardware


1212

Mapas de PolarizaciónMapas de Polarización

R. Akbari-Dilmaghni (1996): suposición de correlación total entre píxeles e corrección mediante mapas de polarización

L. Kék (1998): patróns non lineais


1313

Metodoloxía de Metodoloxía de Fragmentación e Fragmentación e DesprazamentoDesprazamento


1414

Restricións:

DTCNN OU B-CTCNN

FUNCIÓN DE SAÍDA CUASILINEAL E ESTADO LIMITADO EN RANGO OU ACCESO AO ESTADO

Vantaxes:

IMPLEMENTACIÓN SIMPLE EN HW XENÉRICO

SIMPLICIDADE NA DETERMINACIÓN DAS OPERACIÓNS

Metodoloxía de Fragmentación e Metodoloxía de Fragmentación e DesprazamentoDesprazamento

Partición de patróns e acumulación de resultados parciaisPartición de patróns e acumulación de resultados parciais

Clave : PROPIEDADE ASOCIATIVA DA SUMA

Decomposición e acumulación:Decomposición e acumulación:

cdcd

dcd

c iubnyanx )()1(

cfcf

ece

dcd

fcf

ece

dcd

c iubububnyanyanyanx ......)()()()1(


1515

1.1. FRAGMENTAR FRAGMENTAR patróns (2r+1)x(2r+1) en patróns 3x3 (r Z+, r > 1)

Patróns DerivadosPatróns Derivados

-- PATRÓNS COMBINADOS NUN ALGORITMO DE VARIAS FASES ---- PATRÓNS COMBINADOS NUN ALGORITMO DE VARIAS FASES --

2.2. DESPRAZAR DESPRAZAR imaxes e ACUMULAR e ACUMULAR resultados parciais na cela central

Patróns de DesprazamentoPatróns de Desprazamento

Técnicas de Técnicas de Fragmentación e DesprazamentoFragmentación e Desprazamento

Natalia

Shift images because:1.- Binary hw, so we cannot shift non binary outcomes (if there are binary outcomes we can apply feedback (nxn as effect of convolution of 3x3)).2.- Not hw penalty so no extra-strange conections.


1616

FASE 1: FASE 1: FRAGMENTACIÓNFRAGMENTACIÓN

Agrupación espacial dos coeficientes do patróns orixinal

Orde

Regularidade

Evitar illamento de coeficientes (esquinas)


1717


2

3

12)(

r

rD

Número Mínimo de Patróns Derivados

Concéntrica

Filas

Árbore de fragmentación


1818

13x13 => r =613x13 => r =6 => 25 D=> 25 D


2

3

12)(

r

rD

Número Mínimo de Patróns Derivados


1919

• Técnicas de imaxe fixa Desprazamento de resultados a acumular

• Técnicas de imaxe desprazada Desprazamento da imaxe antes de calcular os productos

FASE 2: DESPRAZAMENTO E FASE 2: DESPRAZAMENTO E ACUMULACIÓNACUMULACIÓN

Implicacións:

Nº de operacións de desprazamento

Aspectos circuitería (tipo de dato, número de memorias)

Técnicas de desprazamentoTécnicas de desprazamento

• Operacións CNN

• Hardware específico

Solucións de acumulaciónSolucións de acumulación


2020

TTÉCNICAS DE ÉCNICAS DE IIMAXE MAXE DDESPRAZADAESPRAZADA:arquitectura a nivel de sistema

P. DESP.

+Memoria

Memoria anal xica ó

Imaxe de entrada

(bin/cont) (bin/cont)

(cont)

P. DERIV.

(cont)


2121

ImaxeImaxe

TTÉCNICAS DE ÉCNICAS DE IIMAXE MAXE DDESPRAZADAESPRAZADA:

Patrón Patrón 13x1313x13

(25 patróns (25 patróns derivados)derivados) CNNCNN


2222

TTÉCNICAS DE ÉCNICAS DE IIMAXE MAXE DDESPRAZADAESPRAZADA:




2323

TTÉCNICAS DE ÉCNICAS DE IIMAXE MAXE FixaFixa:arquitectura a nivel de sistema

+

Memoria Analóxica

(cont)

Memoria

Imaxe de entrada

(cont)

(bin/cont)

P. DESP.P. DERIV.

s1/s

(cont)


2424

ImaxeImaxe



TTÉCNICAS DE ÉCNICAS DE IIMAXE MAXE FixaFixa


2525



ImaxeImaxe

TTÉCNICAS DE ÉCNICAS DE IIMAXE MAXE FixaFixa


2626

TÉCNICAS DE DESPRAZAMENTO TÉCNICAS DE DESPRAZAMENTO E ACUMULACIÓNE ACUMULACIÓN

Técnicas de desprazamento: Técnicas de desprazamento: (de imaxe ou resultado)(de imaxe ou resultado)

Independente ou absoluto/intercalado(Fragmentación concéntrica)

Dependente ou relativo/acumulativo(Fragmentación concéntrica ou en filas)

Combinada CNN-hardware (Fragmentación en árbore)


2727


Independente

DependenteZigzag

DependenteConcéntrico

DependenteCentral


2828

0

20

40

60

80

100

0 2 4 6 8r

nº de

spraz

amen

tos

Crecemento do nº de desprazamentos coa orde de veciñanza

0

2000

4000

6000

8000

10000

12000

0 5 10 15 20 25 30 35r

nº

des

pra

zam

ento

s

Téc. Desprazamentos Independentes Téc. Despraz. Depend. Centrais

Téc. Despraz. Depend. Zigzag "Téc. Despraz. Depend. Concéntricos"

Crecemento do nº de desprazamentos coa orde de veciñanza

0

500

1000

1500

0 5 10 15 20 25 30 35r

nº

des

pra

zam

ento

s

"Téc. Despraz. Depend. Centrais" "Téc. Despraz. Depend. Zigzag"

"Téc. Despraz. Depend. Concéntricos"

COMPARATIVA TÉCNICAS DESPRAZAMENTO: Nº OPERACIÓNS


2929

Exemplo: Difusión 5x5 Difusión 5x5((Desprazamento da imaxe))

1st Ite r. 2nd Ite r. 3 rd Ite r. 4 th Iter.

S hift

D ecom .&

A ccum .

Desp.

Aplic.e

Acu.

ª ª ªª


3030

2)( rrNO

Tempos de operación CNN:

Implementación Binaria ~ 100 ns

Implementación Estándar ~ 1 µs

Tempo carga-descarga imaxe:

128x128 ~ 1ms0

200

400

600

800

1000

1200

1400

1600

1800

2000

0 5 10 15 20 25 30 35

r

Nº

Tota

l de

Ope

raci

óns

0

10

20

30

40

50

60

0 1 2 3 4 5 6

r

Nº

To

tal d

e O

per

ació

ns

0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

r

Te

mp

o d

e e

xe

cu

ció

n (

us

)

Realimentación - Implementación estándar Fragmentación - Implementación binaria

Fragmentación - Implementación estándar Realimentación xeralizada - Implementación estándar

25 fps // 1000 ops/frame ~ 40 µs/op

IMPLICACIÓNS: OPERACIÓNS - TEMPO DE COMPUTACIÓN

~ 13000 ops/frame 9x9

~ 9000 ops/frame 11x11

0

3

6

9

12

15

18

21

1 2 3 4 5 6 7 8 9 10

r

Tem

po d

e E

xecu

ción

(us)

3131

Motivación




ÍndiceÍndice

Redución de hardware Redución de hardware

Redución de HardwareRedución de Hardware 3232

O problemaO problema

a ba b a b

a b a b a b

a b a b a b

2 PATRÓNS DE PONDERACIÓN2 PATRÓNS DE PONDERACIÓN

OffsetOut_A0

Out_A8

sel_ep

Out_A8

+

Out_A0

+

sel_ep

startck

sel_A(0)

start


CP

D(3

)

reset

sel_A (0)+

A_0 A_1 A_2 A_3 A_4 A_5 A_6 A_7 A_8


+ +

++++

+

+

+

+

+

++

+++

+

A_1 A_2 A_3 A_4 A_5 A_6 A_7 A_8


A_0Off

Offset

llm(3)

sd_n

ext_ l

int_l0

eng_n

eng_seng_w

eng_e

EP-IE Block

AdderCir cuit

d_out

ck_spm

col_sel

sel_A(1)

sel_A (1)+

sel_A (2)+

sel_A (3)+

out

out

eng_neigh

llm(3)CPD(3)


vbias1vbias2

IE(3)sel_ep

X Y


+

col_sel_ep

B/W Cell

Gra

y-Sc

ale

Cel

l

InterfaceCir cuitry


Redución do número de circuítos ponderadores

Simplificación hardware dos circuítos ponderadores

aa a

a a b a

a a a

aa a

a a a

a a a

a

Output

Input

Multiplicador 4Q Multiplicador 2Q

Input

Output

Multiplicador 1Q

Input

Output

4Q

2Q

1Q

Binario Binario 1 bit

Solucións previasSolucións previas

2 ORIENTACIÓNS PRINCIPAIS(Combinables)

Melloras mediante restricións nos niveis de deseño máis altos, incluso algorítmico

natalia

Centrerémonos na última das arquitecturas e partindo dun hardware optimizado trataremos de paliar a perda de aplicacións. Basicamente orientarémonos a recuperar a posibilidade de aplicar patróns de ampla veciñanza con veciñanza hardware mínima.


a 12

a 22

a 21

a 13 a 11

a 23

a 33 a 32 a 31a 11 a 12 a 13

a 21 a 22 a 23

a 31 a 32 a 33

a 21

a 11

a 31

a 21

a 31

a 11

a 21

a 11

a 31

A nosa propostaA nosa proposta

20/04/2320/04/23 Redución de HardwareRedución de Hardware 3535

““FragmentacióFragmentación e n e

DesprazamentDesprazamento”o”

TÉCNICAS CONFIGURACIÓNS

matiz:

““Fragmentación e Fragmentación e Desprazamento”Desprazamento”



Agrupación espacial dos coeficientes do patróns orixinal

• Preservar as posicións relativas dos coeficientes

• Incluír todos os coeficientes unha única vez

reubicándoos nas posicións permitidas dos sub-patróns



-

-

-

-

-

a13

a23

a33

-

-

-

-

-

-

a12

a22

a32

-

-

-

-

-

-

a11

a21

a31

-

a11 a12 a13

a21 a22 a23

a31 a32 a33

b

a

c

Exemplo ilustrativo


1

2

1

a21

a11

a31

a12

a22

a32

a13

a23

a33

1(1)

-

-

-

-

- -

-

-

-

--

-

-

-

-

2(1)

- - -

1

2

1

a21

a11

a31

a12

a22

a32

a13

a23

a33

2(1)-

-

-

-

- -

-

-

-

- -

-

-

-

-

1(1)

a13

a23

a33

a12

a22

a32

a11

a21

a31

- - -

DESPRAZAMENTO DESPRAZAMENTO DE IMAXEDE IMAXE

DESPRAZAMENTO DESPRAZAMENTO DE RESULTADODE RESULTADO

COMPARTIR DESPRAZAMENTOS


DESPRAZAMENTO DESPRAZAMENTO DE RESULTADODE RESULTADO

Exemplo ilustrativo


a21

a11

a31

a21

a31

a11

a21

a11

a31 -

- -

- -

-

a23

a21

a31

a11

a23

a11

a31 -

-

- -

-

a21

Os desprazamentos impoñen restricións no número mínimo de coeficientes e na colocación deles.

Excepción: realización hardware (switch) dos desprazamentos

Desprazamentos: Desprazamentos: Configuracións ProibidasConfiguracións Proibidas



N úm ero de O peracións(D e rivad as + D esp razam en tos)

N úm ero de C ircuítos de P onderación

9876 54 321

12 + 12 + 12 + 1 3 + 23 + 2 5 + 5

COMPROMISO: ÁREA-TEMPO DE COMPUTACIÓN

Elección da configuración


Definición de RPO (porcentaxe de Redución de hardware

Por Operación incrementada por operación orixinal):

RPO(nc) =RH(nc) · 100

FIO(nc) − 1

0/016.6713.897.41

RPO (%)nc

135

10

96 4 3

RH FIO

01/35/92/3


Elección da configuración

RPO vs Restricións do deseño

Para comparar as configuracións seleccionadas definimos o RPO


Dúas posibilidades:

• A e B con hardware e redución independente

• A e B con compartición de hardware

Patróns derivados secuenciais simultáneos

Desprazamentos compartidos para Y=U ou desprazamento de resultado

Patróns derivados simultáneos

Desprazamentos compartidos para Y=U ou desprazamento de resultado (=> conserva valor RPO dos patróns independentes)

Aplicación a Operacións CNN con dous patróns de ponderación ( A e

B)



0/016.6713.897.41

R P O (% )n c

135

10

96 4 3

R HF IO

h w in de p . e de sp r. co m p .A & B

01/35/92/3

5016.6711 .115 .95

n c

5013.138 .644 .39

96 4 3

R P O (% ) in de p en d en te

A & B h a rd w are

R P O (% ) A & B h a rdw a re e d e sp raz . co m p artido

0 /011 .119 .264 .76

R P O (% ) A & B h a rd w are co m p artid o

Operacións CNN con dous patróns de ponderación ( A e B)




Aplicación a Aplicación a algoritmos algoritmos complexoscomplexos

• Restricións da arquitectura de partida

• Marxe temporal e restricións de área

• Seccións críticas

• Tipos de operacións (formas dos patróns, combinacións de dous patróns)

En casos particulares podemos acadar RPOs infinitos (>100%) coa configuración adecuada


Algoritmos Algoritmos

complexos:complexos:““Pixel Level Snakes” Pixel Level Snakes” (PLS)(PLS)

Implementación de partida:Implementación de partida: 1Q1bit Binario 1Q1bit Binario


G/SG/S

B/WB/W

Algoritmo PLS


Algoritmos complexos:Algoritmos complexos:“Pixel Level Snakes (PLS)-1Q1bit “Pixel Level Snakes (PLS)-1Q1bit

Binario”Binario”Restricións da arquitectura de partida (tecnoloxía 0.18u):Restricións da arquitectura de partida (tecnoloxía 0.18u):

Imaxes binarias Desprazamento de imaxe

10 coeficientes de partida

6 memorias lóxicas Precisamos 1 memoria analóxica mín

~50 us de carga da imaxe (asumimos fotosensores)

~100 ns por operación CNN (incluída carga do patrón)

~1 ms para descargar a imaxe saída (B/N 128x128)



Binario”Binario”Marxe temporal (128x128):Marxe temporal (128x128):

25 fps => 40ms/f

10 iteracións

~1 ms para carga e descarga

100 ns por operación CNN

Ata 39 000 ops. por iteración

Ata 35 novas operacións por operación orixinal (FIO)

Nota: Nota: peor caso 1 patrón, FIO=10 / 2 patróns, FIO=20peor caso 1 patrón, FIO=10 / 2 patróns, FIO=20

Peor caso PLS (HF=64ops) = 1112 ops CNN/iter.



Binario”Binario”Diagrama de fluxo: seccións críticasDiagrama de fluxo: seccións críticas



Binario”Binario”Tipos de Operacións/PatrónsTipos de Operacións/Patróns

T1: A= 0

0

1

0

0

0

0

0

0

B= 1

0

0

0

0

0

0

0

0

OR/AND: A= B= 1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

T4= 1

0

0

0

0

1

0

0

0

T5= 1

0

0

1

0

0

0

0

0

T2= 1

0

1

0

0

0

0

0

0

T3= 1

1

0

0

0

0

0

0

0

T10= 0

1

1

1

1

1

1

1

1

T8= 0

1

1

1

0

0

1

0

0

T6= 1

0

0

0

0

0

0

0

1

T7= 1

0

0

0

0

0

1

0

0

T9= 1

1

1

1

0

0

1

0

0



Binario”Binario”

Elección conservadora: configuración 5+1

B

A

Só 3 ops. emuladas

RH = 40%

FIO = 1,022 (2,2%)

RPO = “1.118,2 %”


G/SG/S

B/WB/W

Algoritmo PLS: gran veciñanza


Algoritmos Algoritmos

complexos:complexos:Gran veciñanzaGran veciñanza

• Non partir da descomposición en 3x3: “re-descompoñer”

• Desprazamento zigzag (menor número de direccións e fácil de

combinar LN e RH)


Algoritmos complexos:Algoritmos complexos:“Pixel Level Snakes” (PLS)“Pixel Level Snakes” (PLS)

1Q1bit Binario – Gran veciñanza1Q1bit Binario – Gran veciñanza

Por consistencia: configuración 5+1

A

B1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

1 1 1 1 1 1 1 11

RH = 40%

FIO (LN) = 2

RPO (LN) = 40 %

RH = 40%

FIO (PLS) = 1,223

RPO (PLS) = “180%”


Implicacións Implicacións hardwarehardware

Area vs tempo de procesamento:

entre DTCNN e SIMD clásica (tipo bit-slice) reducción número de coeficientes e conexións incremento no uso de memoria

Necesidade de memoria analóxica (mínimo 1) sempre incremento do número de accesos á memoria global de patróns, con elevado

fan-out

Desapareamento, precisión e consumo de potencia:

menor área => posibilidade de aumentar tamaño dispositivos => minimización do desapareamento => maior precisión => diminúe límite mínimo de disipación de potencia menor número de coeficientes en execución => agardamos menor consumo

por ciclo de reloxo

natalia

Centrerémonos na última das arquitecturas e partindo dun hardware optimizado trataremos de paliar a perda de aplicacións. Basicamente orientarémonos a recuperar a posibilidade de aplicar patróns de ampla veciñanza con veciñanza hardware mínima.

5656

Motivación




ÍndiceÍndice

Conclusións e traballo futuroConclusións e traballo futuro

5757

Conclusións Conclusións e traballo futuroe traballo futuro

Mellora da funcionalidade CNN: emulación de patróns de grande veciñanza

Revisión de técnicas Metodoloxía de Fragmentación e Desprazamento Implicacións: tempo de procesamento

Mellora na implementación hardware CNN: redución da área

Revisión de técnicas Adaptación da metodoloxía de Fragmentación e

Desprazamento Introdución de medida de rendemento RPO Implicacións temporais e hardware

Aplicouse a metodoloxía a un caso complexo e déronse datos do compromiso área-tempo de procesamento

A implementación física das propostas realizadas será o seguinte paso na verificación das mesmas e na

determinación das verdadeiras vantaxes achegadas.

Optimización Hardware e Mellora Optimización Hardware e Mellora da Funcionalidade de Redes da Funcionalidade de Redes

Celulares Non LineaisCelulares Non Lineais

Autora: Natalia Abel Fernández GarcíaAutora: Natalia Abel Fernández García

Directores: Victor Brea SánchezDirectores: Victor Brea Sánchez

Diego Cabello FerrerDiego Cabello Ferrer

optimización hardware e mellora da funcionalidade de redes celulares non lineais

Documents