Suchen

Künstliche Intelligenz

Wie sich das menschliche Gehirn im Computer nachbilden lässt

Seite: 3/3

Firmen zum Thema

CNN-Referenzdesign von Intel PSG

Intel PSG stellt ein CNN-Referenzdesign zur Verfügung, das Entwickler bei CNN-Beschleunigungsprojekten auf FPGA-Basis unterstützen soll. Hier werden zur Implementierung der jeweiligen CNN-Schichten OpenCL-Kernel verwendet. Die Daten werden über Channels und Pipes von einer Schicht an die nächste übergeben.

Dies ermöglicht die Übergabe von Daten zwischen OpenCL-Kernels ohne den Verbrauch von externer Speicherbandbreite. Die Faltungsschichten werden innerhalb des FPGAs durch DSP-Blöcke und -Logik implementiert. Die gehärteten Funktionsblöcke umfassen Gleitpunktfunktionen, die den Durchsatz des Bausteins ohne Beeinträchtigung der verfügbaren Speicherbandbreite weiter erhöhen.

Bildergalerie

Das in Bild 3 (siehe Bildergalerie) dargestellte Blockdiagramm veranschaulicht ein Beispiel für ein System zur Bildverarbeitung und -klassifizierung, für das FPGAs als Beschleunigungseinheiten verwendet werden könnten.

Intel PSG bietet auf seiner Website eine Vielzahl von Dokumenten und Videos zum Thema „Verwendung von konvolutionalen neuronalen Netzen mit FPGAs für Anwendung in Industrie, Medizin und Automobilbau“ an. Die Wahl eines Frameworks für eine maschinell lernende Anwendung ist einer der wichtigsten ersten Schritte.

Zur Unterstützung von Entwicklern stehen eine wachsende Zahl von Tools wie OpenANN (openann.github.io), eine Open-Source-Bibliothek für künstliche neuronale Netze sowie informative Community-Websites wie deeplearning.net und embedded-vision.com zur Verfügung. Beliebte Design-Frameworks für das maschinelle Lernen mit Unterstützung von OpenCL sind u. a. Caffe (caffe.berkeleyvision.org), das auf C++ basiert, und Torch, das auf Lua basiert. Eine weiteres Framework, das OpenCL vollständig unterstützt, aber noch nicht wie die beiden oben erwähnten über eine Anwenderbasis verfügt, ist DeepCL.

Fazit: Die Industriemärkte streben danach, die von maschinell lernenden neuronalen Netzen gewonnenen Erkenntnisse in eine Vielzahl von Produktions- und Automatisierungsanwendungen einzubringen. Dieser Aspekt erhielt dank Initiativen wie „Industrie 4.0“ in Deutschland und des weiter gefassten Konzepts des „Industriellen Internets der Dinge“ neuen Schwung.

Zusammen mit hochauflösenden Videokameras, einer CPU-FPGA-Lösung und geeigneter Steuerung kann ein convolutionales neuronales Netz zur Automatisierung einer Vielzahl von Prüfaufgaben in der Fertigung verwendet werden. Dadurch erhöhen sich die Qualität und Zuverlässigkeit des Produkts und die Sicherheit der Fertigungsanlagen.

FPGAs sind wegen ihrer dynamisch konfigurierbaren Struktur, ihrer hohen Bandbreite und ihrer Energieeffizienz hervorragend zur Beschleunigung der Faltungs- und Pooling-Schichten eines CNN geeignet. Der künftige Einsatz von FPGAs für derartige Zwecke ist aufgrund der Vielzahl von durch die Community geförderten Open-Source-Frameworks und Parallelverarbeitungs-Bibliotheken wie OpenCL gesichert. FPGAs stellen eine hochskalierbare und flexible Lösung für die unterschiedlichen Anforderungen vieler Industriesparten dar.

Dieser Beitrag ist auf unserem Partnerportal ELEKTRONIKPRAXIS erschienen.

* Rich Miron ... ist Technical Content Engineer bei Digi-Key

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 44515475)