Zynq + PYNQ + Python:在 PYNQ-Z1 上建立二值神經網絡(BNN)

digilent pynq bnn

機器學習(Machine Learning)及深度學習(Deep Learning)在最近幾年的科技行業的討論度十分高,取得了爆發式的發展—僅僅在過去兩年間,機器學習技術所取得的發展成就,就已超越了之前45年的總和,並且依然維持著高速的發展軌跡,而這些方法是實現人工智慧應用的重要手段。未來的視覺識別、語音識別和自然語言處理將會大大改變我們的日常生活。

在具體的實現過程中,卷積神經網絡(Convolutional Neural Networks,CNN)受到了科學家們的青睞,已成為當前語音分析和圖像識別領域的研究熱點。當前,CNN技術所面臨的一大挑戰在於如何在高速運轉下降低功耗,以及如何能夠更為易於使用。在 2017 有論文提出二值神經網絡(Binarized Neural Networks,BNN)框架,其在CNN基礎上進行了優化,不僅降低了功耗,而且使得系統運行更快。

因其高度可擴充性,BNN 可以在 Digilent PYNQ-Z1 開發板上輕鬆建立!PYNQ-Z1不同的機器學習數據集(dataset)的測試結果顯示:針對 MNIST數據集,PYNQ-Z1能實現每秒168,000張圖片的分類,延遲 102 微秒,準確率達 98.4%;對於 CIFAR-10、SVHN、GTSRB 數據集,PYN1-Z1能實現每秒 1,700 張圖片的分類,延遲 2.2 毫秒,準確率分別為 80.1%、96.69%和97.66%,系統功耗均保持在 2.5W 左右。(本文由下列文章彙整而成)


Zynq + PYNQ + Python:在PYNQ-Z1上搭建二值神經網絡(BNN)
http://www.digilent.com.cn/community/385.html

BNN-PYNQ overlays/ Yaman Umuroglu, NTNU/ Yaman Umuroglu, NTNU
https://docs.google.com/presentation/d/17oorGvtUbdFd-o1OzSuxGCSrWsvm_S2ftC1UC2FLtuE/edit#slide=id.p3

使用 Pynq 訓練與實施 BNN
https://www.hackster.io/adam-taylor/training-implementing-a-bnn-using-pynq-1210b9

BNN Pynq Project
https://github.com/Xilinx/BNN-PYNQ

和澄科技 Haley Technology

電話 │ 886-3-5790380
傳真 │ 886-3-5790370
信箱 │ sales@haleytech.com
地址 │ 新竹市關新路27號18樓之2

              

 

 

M有任何問題嗎? Line 我們最快! 

產品搜尋