IMPLÉMENTATION EFFICACE DE LA TECHNIQUE DES RÉSEAUX DE NEURONE CONVOLUTIFS SUR UN CIRCUIT FPGA

Abstract

Cette thèse se focalise sur l’optimisation de l’implémentation des réseaux de neurones convolutifs (CNN) sur les FPGA (Field-Programmable Gate Arrays). Avec l’avènement rapide des applications basées sur l’intelligence artificielle et le deep learning, il y a un intérêt croissant pour les solutions matérielles spécialisées. L’objectif de notre recherche est d’explorer et d’améliorer l’efficacité de l’implémentation de l’inférence des CNN sur les FPGA. Pour ce faire, Nous avons exploré deux approches essentielles : — High-Level Synthesis (HLS) : Utilisant l’outil Xilinx Vivado, nous avons traduit du code de haut niveau (C/C++) en code matériel, facilitant ainsi une exécution plus rapide et efficace sur FPGA. Le HLS permet de décrire des opérations en termes de comportement et d’algorithmes, pour ensuite les convertir en logique matérielle, et propose des directives d’optimisation architecturale pour améliorer la performance des conceptions matérielles. — Verilog : Nous avons également exploré le langage de description matérielle Verilog pour obtenir un contrôle précis sur l’architecture FPGA. Cette approche favorise la création de conceptions personnalisées, particulièrement avantageuses pour les projets nécessitant un contrôle détaillé sur le FPGA. Dans notre première approche, nous avons complètement implémenté le modèle CNN Le- Net5, couvrant à la fois l’apprentissage et l’inférence. À l’aide de Python et de Vivado HLS, nous avons formé le modèle sur les données MNIST et effectué des simulations sur le kit de développement Vertex7. Le modèle LeNet5, formé sur MNIST, a atteint une précision de 97%. Les paramètres et les biais appris ont été intégrés dans la phase d’inférence en utilisant Vivado HLS, avec des évaluations de performance montrant une latence de 299,3 s. Notre recherche combine des optimisations comme le pipelining des fonctions, le parallélisme des boucles et le partitionnement des matrices, en utilisant à la fois HLS et Verilog pour une implémentation efficace des CNN sur FPGA. En conclusion, nous avons comparé nos résultats avec d’autres approches utilisant les dernières technologies, confirmant ainsi l’efficacité et la pertinence de notre méthodologie dans le domaine de l’implémentation des CNN sur les FPGA