Εφαρμογή και ανάλυση στην αναγνώριση εικόνων με τη χρήση «Coral Tensor Processing Unit»

Φωτόπουλος, Ιωάννης

dc.contributor.advisor	Δουληγέρης, Χρήστος
dc.contributor.author	Φωτόπουλος, Ιωάννης
dc.date.accessioned	2024-11-25T05:30:14Z
dc.date.available	2024-11-25T05:30:14Z
dc.date.issued	2024-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17096
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4519
dc.description.abstract	Η Τεχνητή Νοημοσύνη είναι ένας από τους ταχύτερα αναπτυσσόμενους τομείς στην επιστήμη της Πληροφορικής. Το πρόβλημα που λύνει η συγκεκριμένη εργασία εντάσσεται στην περιοχή την σύγχρονων νευρωνικών δικτύων Τα σύγχρονα νευρωνικά δίκτυα διαχειρίζονται διεργασίες με μεγάλη πολυπλοκότητα και για αυτό απαιτούν μεγάλη υπολογιστική ισχύ. Οι σύγχρονοι επεξεργαστές γενικού σκοπού «δυσκολεύονται» να επιτύχουν επαρκείς και ικανοποιητικές αποδόσεις. Η Google ανέπτυξε τις Tensor Processing Units (TPUs) για να επιταχύνει την εκτέλεση εφαρμογών Τεχνητής Νοημοσύνης τόσο σε κέντρα δεδομένων όσο και σε λοιπές εφαρμογές, εκπληρώνοντας αυτό τον σκοπό. Σε αυτή τη πτυχιακή εργασία, ασχολούμαστε με τον Edge TPU. Το Edge TPU είναι ένα μικρό ολοκληρωμένο κύκλωμα που επιτρέπει την ανάπτυξη εφαρμογών ΤΝ “at the edge”. Το Edge TPU είναι ικανό να εκτελεί τέσσερα (4) τρισεκατομμύρια πράξεις ανά δευτερόλεπτο, χρησιμοποιώντας 2 Watt ισχύος. Ωστόσο, η αρχιτεκτονική και το σύνολο εντολών τέτοιων επιταχυντών ΤΝ, εμφανίζουν διάφορες προκλήσεις και περιορισμούς. Πραγματοποιήσαμε bench marking στο TPU, με έτοιμα μοντέλα που παρέχει η Google, με στόχο να αξιολογήσουμε τις δυνατότητές του. Τα αποτελέσματα που προέκυψαν αποκαλύπτουν σημαντική επιτάχυνση για το Google Edge TPU σε σύγκριση με τους επεξεργαστές BCM 2837 (Raspberry Pi 3, A+), AMD Ryzen 5 3500U. Συνολικά, επιτυγχάνεται σημαντική επιτάχυνση μεγάλου μεγέθους συνελικτικών νευρωνικών δικτύων και απλών τεχνητών νευρωνικών δικτύων. Το Edge TPU παρέχει έως και 10 φορές καλύτερη απόδοση από τον BCM 2837 και 7 φορές μεγαλύτερη απόδοση από τον AMD Ryzen 5 3500U.	el
dc.format.extent	22	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.title	Εφαρμογή και ανάλυση στην αναγνώριση εικόνων με τη χρήση «Coral Tensor Processing Unit»	el
dc.title.alternative	Performance analysis of the accelerator "Coral Tenser Processing Unit" in picture recognition	el
dc.type	Bachelor Dissertation	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Artificial Intelligence is one of the fastest-growing fields in Computer Science. The problem that this work solves belongs to the area of modern neural networks. Modern neural networks manage complex processes and therefore require a lot of computing power. Modern general-purpose processors "struggle" to achieve adequate and satisfactory performance. Google developed Tensor Processing Units (TPUs) to accelerate the execution of AI applications in data centers and other applications, fulfilling this purpose. In this thesis, we deal with Edge TPU. The Edge TPU is a small integrated circuit that enables the development of IT applications "at the edge". The Edge TPU can perform four (4) trillion operations per second, using 2 Watts of power. However, the architecture and instruction set of such AI accelerators present various challenges and limitations. We benchmarked the TPU, with ready-made models provided by Google, to evaluate its capabilities. The obtained results reveal a significant speedup for Google Edge TPU compared to BCM 2837 (Raspberry Pi 3, A+), and AMD Ryzen 5 3500U processors. Overall, a significant speedup of large-scale convolutional neural networks and simple artificial neural networks is achieved. Edge TPU provides up to 10x better performance than BCM 2837 and 7x better performance than AMD Ryzen 5 3500U.	el
dc.subject.keyword	Coral TPU	el
dc.subject.keyword	Neural network	el
dc.subject.keyword	Artificial intelligence	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Object recognition	el
dc.subject.keyword	Artificial neural networks	el
dc.subject.keyword	Complex neural structures	el
dc.subject.keyword	Training algorithms	el
dc.subject.keyword	Machine learning accelerators	el
dc.subject.keyword	Tensor Flow Lite	el
dc.subject.keyword	TPU technology	el
dc.date.defense	2024-09

Αρχεία σε αυτό το τεκμήριο

Name:: ΦΩΤΟΠΟΥΛΟΣ ΙΩΑΝΝΗΣ ΠΑΡΑΔΟΤΕΟ.pdf
Μέγεθος:: 899.3Kb
Τύπος:: PDF
Description:: Πτυχιακή εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού 3.0 Ελλάδα