Diseño de arquitecturas empotradas para la implementación en tiempo real de redes neuronales profundas
Authors
Martín Catalán, JorgeDirector
Hernández Alonso, ÁlvaroDate
2022Affiliation
Universidad de AlcaláBibliographic citation
Martín Catalán, Jorge. Diseño de arquitecturas empotradas para la implementación en tiempo real de redes neuronales profundas. Trabajo Fin de Máster. Universidad de Alcalá, 2022.
Keywords
FPGA/SoC
Deep Learning
Microprocesadores
NILM
Sistemas empotrados
Microprocesors
Embedded systems
Document type
info:eu-repo/semantics/masterThesis
Version
info:eu-repo/semantics/acceptedVersion
Rights
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Access rights
info:eu-repo/semantics/openAccess
Abstract
Este documento detalla la implementación de algoritmos de Deep Learning en distintos tipos de plataformas
embebidas como son los SoC/FPGA y los microprocesadores. Además se comparan las diferencias
en términos de latencias, errores de cuantificación y recursos consumidos. Se parte de una red ya implementada
y probada, con sus bases de datos etiquetadas y separadas para realizar la implementación. El
problema que trata de resolver se utilizará como base, pero debido a que se quieren probar diversas arquitecturas
como perceptron multicapa, redes convolucionales y las recurrentes, se resolverá modificando
la estructura de la red neuronal con redes alternativas a las propuestas en dicho trabajo. This document details the implementation procedure of different Deep Learning algorithms in embedded
platforms such as SoC/FPGA or Microprocessors. Also, the differences in terms of latency, quantification
errors and resources are compared. The start point is a tested network and its tagged database. This
network will be modified in order to try different types of networks such as Multilayer perceptron,
Convolutional Network and Recurrent Network.
Files in this item
Files | Size | Format |
|
---|---|---|---|
TFM_Martin_Catalan_2022.pdf | 3.697Mb |
|
Files | Size | Format |
|
---|---|---|---|
TFM_Martin_Catalan_2022.pdf | 3.697Mb |
|