Veranstaltung | Termin | Ort | Slides |
Einführung | 19.10.2016 | OH 12 - R. 4013 | Slides1 |
Deep Learning & Perceptrons | 27.10.2016 | OH 12 - R.4013 | Slides2 |
Backpropagation | 04.11.2016 | OH 12 - R.4013 | Slides 3 (bis einschließlich Folie 17) |
Convolutional Neural Networks | 11.11.2016 | OH 12 - R.4013 | Slides 3 (Ab Folie 17 bis Ende) Slides 4 (Ohne Herleitung für Convolutional-Backprop.) |
Einführung FPGAs | 18.11.2016 | OH 12 - R.4013 | Slides 5 |
Einführung Software | 25.11.2016 | OH 12 - R.4013 | |
Abschlusspräsentation | 29.03.2017 | OH 12 - R.4013 |
Mit der zunehmenden Integration informationsverarbeitender Systeme wie Smartphones oder eingebettete Systeme in alle Bereiche des Lebens sind selbstfahrende Autos, Film- und Einkaufsvorschläge, sowieo automatisierte Haussteuerungen keine Seltenheit mehr. Um die dabei erhobenen Unmengen an Daten sinnvoll nutzen zu können, müssen geeignete Analyseverfahren benutzt werden, die entsprechendes Wissen extrahieren. Neuronale Netze haben im Kontext des DeepLearning in den letzten Jahren ausergewöhnliche Ergebnisse erzielt und bilden aktuell einen der wichtigsten Teilbereiche der Künstlichen Intelligenz. DeepLearning bezeichnet hier die Anwendung von Neuronalen Netzen zur Extraktion und Generierung von wichtigen Merkmalen der Daten und gleichzeitig die Anwendung dieser Merkmale für eine Vorhersage. Um mit den Unmengen an Daten zu skalieren wird immer öfter zu Spezialhardware in Form von speziellen CPUs, GPGPGUs bzw. FPGAs gegriffen, um so eine schnelle und energiesparende Anwendung von Neuronalen Netzen zu ermöglichen. Field Programmable Gate Arrays (FPGAs) sind programmierbare Schaltkreise, deren Logik mittels einer Hardwarebeschreibungssprache umgesetzt wird. FPGAs führen lediglich den programmierten Schaltkreis aus, wodurch Abstraktionen wie ein Betriebssystem, Threads oder die sequentielle Ausführung von Code wegfallen. Zusätzlich sind FPGAs rekonfigurierbar, wodurch sich ihre Logik zu einem späteren Zeitpunkt ändern lässt, wodurch sich FPGAs sehr gut für die Umsetzung und Evaluation von Neuronalen Netzen eignen.
Studierende, welche dieses Fachprojekt erfolgreich abgeschlossen haben,
Das Fachprojekt beginnt mit einer Vorlesungsphase in der grundlegende Konzepte der Datenanalyse mit Schwerpunkt auf Neuronalen Netzen und DeepLearning vorgestellt werden. Des Weiteren werden auf die speziellen Eigenschaften von FPGAs eingegangen, sowie deren Programmierung mittels Hardwarebeschreibungssprachen vorgestellt. Im zweiten Teil der Veranstaltung setzen die Studenten eigene Methoden aus dem Bereich des DeepLearning um und wenden diese auf gegebene Datensätze an. Die Implementierung für das FPGA erfolgt mit der Sprache VHDL und wird zunächst in einem Simulator getestet und anschließend auf einem FPGA ausgefürt. Die Ergebnisse werden evauliert und in einer kurzen Ausarbeitung (Latex, 4-6 Seiten) festgehalten und der Gruppe präsentiert (15min Vortrag).