Estrategias para desplegar modelos de Machine Learning en sistemas embebidos
En este documento se analiza y compara el desempeño y precisión de la inferencia de un caso de estudio sencillo de Machine Learning implementado en plataformas dónde se usan técnicas de paralelización, cuantificación y compresión, con el fin de establecer estrategias y recomendaciones para desplegar...
- Autores:
-
Díaz Delgado, Juan David
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/64159
- Acceso en línea:
- http://hdl.handle.net/1992/64159
- Palabra clave:
- Técnicas de compresión
Poda de parámetros
Cuantificación
FPGA
Knowledge distillation
Sistemas embebidos
Ingeniería
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNIANDES2_c0b9714ecf2c8fcc1b355a05606fcf58 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/64159 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| title |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| spellingShingle |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos Técnicas de compresión Poda de parámetros Cuantificación FPGA Knowledge distillation Sistemas embebidos Ingeniería |
| title_short |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| title_full |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| title_fullStr |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| title_full_unstemmed |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| title_sort |
Estrategias para desplegar modelos de Machine Learning en sistemas embebidos |
| dc.creator.fl_str_mv |
Díaz Delgado, Juan David |
| dc.contributor.advisor.none.fl_str_mv |
García Cárdenas, Juan José Segura Quijano, Fredy Enrique |
| dc.contributor.author.none.fl_str_mv |
Díaz Delgado, Juan David |
| dc.contributor.jury.none.fl_str_mv |
Sotelo Neira, Diana Marcela |
| dc.subject.keyword.none.fl_str_mv |
Técnicas de compresión Poda de parámetros Cuantificación FPGA Knowledge distillation Sistemas embebidos |
| topic |
Técnicas de compresión Poda de parámetros Cuantificación FPGA Knowledge distillation Sistemas embebidos Ingeniería |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
En este documento se analiza y compara el desempeño y precisión de la inferencia de un caso de estudio sencillo de Machine Learning implementado en plataformas dónde se usan técnicas de paralelización, cuantificación y compresión, con el fin de establecer estrategias y recomendaciones para desplegar redes neuronales en sistemas embebidos. Adicionalmente, se explora el uso de diferentes herramientas que facilitan la implementación de estos modelos en los sistemas embebidos. |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-12-15 |
| dc.date.accessioned.none.fl_str_mv |
2023-01-25T19:25:16Z |
| dc.date.available.none.fl_str_mv |
2023-01-25T19:25:16Z |
| dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.es_CO.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/64159 |
| dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/64159 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.es_CO.fl_str_mv |
S. Sierra Alarcón, "Split learning on low power devices for collaborative inference," Segura Quijano, Fredy Enrique, 2022. Y. Cheng, D. Wang, P. Zhou, and T. Zhang, "A survey of model compression and acceleration for deep neural networks," Oct. 2017. G. Hinton, O. Vinyals, and J. Dean, "Distilling the knowledge in a neural network," Mar. 2015. STMicroelectronics, "Getting started with x-cube-ai expansion package for artificial intelligence (ai)," 2022. M. Lebedev and P. Belecky, "A survey of open-source tools for FPGA-based inference of artificial neural networks," in 2021 Ivannikov Memorial Workshop (IVMEM). IEEE, sep 2021. TensorFlow Developers, "Tensorflow," 2022. Intel, "Fitter resource usage summary report," 2017. [Online]. Available: https://www.intel.com/content/www/us/en/programmable/quartushelp/17.0/mapIdTopics/mwh1465496451103.htm Intel, "Dsp block definition," 2017. [Online]. Available: https://www.intel.com/content/www/us/en/programmable/quartushelp/17.0/reference/glossary/def_dsp_block.htm R. Yu, A. Li, C.-F. Chen, J.-H. Lai, V. I. Morariu, X. Han, M. Gao, C.-Y. Lin, and L. S. Davis, "Nisp: Pruning networks using neuron importance score propagation," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 9194-9203. J. Duarte, S. Han, P. Harris, S. Jindariani, E. Kreinar, B. Kreis, J. Ngadiuba, M. Pierini, R. Rivera, N. Tran et al., "Fast inference of deep neural networks in fpgas for particle physics," Journal of Instrumentation, vol. 13, no. 07, p. P07027, 2018. A. Muthuramalingam, S. Himavathi, and E. Srinivasan, "Neural network implementation using fpga: issues and application," International Journal of Electrical and Computer Engineering, vol. 2, no. 12, pp. 2802-2808, 2008. A. R. Omondi and J. C. Rajapakse, FPGA implementations of neural networks. Springer, 2006, vol. 365. J. D. García Hernández, "Comparación de métodos de compresión de redes neuronales," Lozano Martínez, Fernando Enrique, 2020. MATLAB, 9.9.0.1524771 (R2020b). Natick, Massachusetts: The MathWorks Inc., 2020. D. Dua and C. Graff, "UCI machine learning repository," 2017. [Online]. Available: http://archive.ics.uci.edu/ml S. Bhattiprolu, "Tutorial 91 - binary classification - breast cancer," 2021. [Online]. Available: https://colab.research.google.com/drive/1WEZxybgoxQz8Lmp_r6Zq6OHYdvwaz2Df?usp=sharing K. Borup, "Implementation of classical knowledge distillation," 2020. [Online]. Available: https://keras.io/examples/vision/knowledge distillation/ S. Stanton, P. Izmailov, P. Kirichenko, A. A. Alemi, and A. G. Wilson, "Does knowledge distillation really work?" Jun. 2021. |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
23 páginas |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/cbb398f5-f25b-4ce8-a215-0fa2b0b08169/download https://repositorio.uniandes.edu.co/bitstreams/80502566-b418-4f11-afe6-16a8f07bc51a/download https://repositorio.uniandes.edu.co/bitstreams/82d1c375-5ca2-4b28-89a4-dfe75b24cbd9/download https://repositorio.uniandes.edu.co/bitstreams/90d6c9a7-6787-492d-a22e-add628a6cc4e/download https://repositorio.uniandes.edu.co/bitstreams/a280418d-a39d-4051-8569-3bd6dc05759b/download https://repositorio.uniandes.edu.co/bitstreams/fc51bb73-a061-4d9d-a513-82cda0e17be1/download https://repositorio.uniandes.edu.co/bitstreams/c517b155-7884-4c89-bcc1-95a178b1f42b/download https://repositorio.uniandes.edu.co/bitstreams/17670a97-9b47-4c57-b09a-85ab5c092ffe/download |
| bitstream.checksum.fl_str_mv |
5aa5c691a1ffe97abd12c2966efcb8d6 cb943c62ce0ebea2735a3e06d2a2a103 8c674aaba4f089e1b5e7d9fb5b1494ca 1065295061f73de575e40ad8ddda7282 623a62004ebc6e3e7358e37ffeac42c2 24013099e9e6abb1575dc6ce0855efd5 fb96d73d5c991574b892e27ea34415fe 4ef21a32597249d32f4fe8c6d0808ddb |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1818111752471052288 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2García Cárdenas, Juan José4206bdff-0bdc-42b5-9c6d-691e503363a8600Segura Quijano, Fredy Enriquevirtual::4388-1Díaz Delgado, Juan Davidd67c7962-11a6-482b-a12b-fa4a39485f48600Sotelo Neira, Diana Marcela2023-01-25T19:25:16Z2023-01-25T19:25:16Z2022-12-15http://hdl.handle.net/1992/64159instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En este documento se analiza y compara el desempeño y precisión de la inferencia de un caso de estudio sencillo de Machine Learning implementado en plataformas dónde se usan técnicas de paralelización, cuantificación y compresión, con el fin de establecer estrategias y recomendaciones para desplegar redes neuronales en sistemas embebidos. Adicionalmente, se explora el uso de diferentes herramientas que facilitan la implementación de estos modelos en los sistemas embebidos.Ingeniero ElectrónicoPregradoMachine Learning en Sistemas Embebidos23 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaEstrategias para desplegar modelos de Machine Learning en sistemas embebidosTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPTécnicas de compresiónPoda de parámetrosCuantificaciónFPGAKnowledge distillationSistemas embebidosIngenieríaS. Sierra Alarcón, "Split learning on low power devices for collaborative inference," Segura Quijano, Fredy Enrique, 2022.Y. Cheng, D. Wang, P. Zhou, and T. Zhang, "A survey of model compression and acceleration for deep neural networks," Oct. 2017.G. Hinton, O. Vinyals, and J. Dean, "Distilling the knowledge in a neural network," Mar. 2015.STMicroelectronics, "Getting started with x-cube-ai expansion package for artificial intelligence (ai)," 2022.M. Lebedev and P. Belecky, "A survey of open-source tools for FPGA-based inference of artificial neural networks," in 2021 Ivannikov Memorial Workshop (IVMEM). IEEE, sep 2021.TensorFlow Developers, "Tensorflow," 2022.Intel, "Fitter resource usage summary report," 2017. [Online]. Available: https://www.intel.com/content/www/us/en/programmable/quartushelp/17.0/mapIdTopics/mwh1465496451103.htmIntel, "Dsp block definition," 2017. [Online]. Available: https://www.intel.com/content/www/us/en/programmable/quartushelp/17.0/reference/glossary/def_dsp_block.htmR. Yu, A. Li, C.-F. Chen, J.-H. Lai, V. I. Morariu, X. Han, M. Gao, C.-Y. Lin, and L. S. Davis, "Nisp: Pruning networks using neuron importance score propagation," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 9194-9203.J. Duarte, S. Han, P. Harris, S. Jindariani, E. Kreinar, B. Kreis, J. Ngadiuba, M. Pierini, R. Rivera, N. Tran et al., "Fast inference of deep neural networks in fpgas for particle physics," Journal of Instrumentation, vol. 13, no. 07, p. P07027, 2018.A. Muthuramalingam, S. Himavathi, and E. Srinivasan, "Neural network implementation using fpga: issues and application," International Journal of Electrical and Computer Engineering, vol. 2, no. 12, pp. 2802-2808, 2008.A. R. Omondi and J. C. Rajapakse, FPGA implementations of neural networks. Springer, 2006, vol. 365.J. D. García Hernández, "Comparación de métodos de compresión de redes neuronales," Lozano Martínez, Fernando Enrique, 2020.MATLAB, 9.9.0.1524771 (R2020b). Natick, Massachusetts: The MathWorks Inc., 2020.D. Dua and C. Graff, "UCI machine learning repository," 2017. [Online]. Available: http://archive.ics.uci.edu/mlS. Bhattiprolu, "Tutorial 91 - binary classification - breast cancer," 2021. [Online]. Available: https://colab.research.google.com/drive/1WEZxybgoxQz8Lmp_r6Zq6OHYdvwaz2Df?usp=sharingK. Borup, "Implementation of classical knowledge distillation," 2020. [Online]. Available: https://keras.io/examples/vision/knowledge distillation/S. Stanton, P. Izmailov, P. Kirichenko, A. A. Alemi, and A. G. Wilson, "Does knowledge distillation really work?" Jun. 2021.201816076Publicationhttps://scholar.google.es/citations?user=xw2k1CIAAAAJvirtual::4388-10000-0001-7757-1432virtual::4388-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000051497virtual::4388-17684cb09-6991-4ac4-aff9-b29fe065439fvirtual::4388-17684cb09-6991-4ac4-aff9-b29fe065439fvirtual::4388-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/cbb398f5-f25b-4ce8-a215-0fa2b0b08169/download5aa5c691a1ffe97abd12c2966efcb8d6MD51ORIGINALProyecto_de_Grado-JuanDavidDiaz.pdfProyecto_de_Grado-JuanDavidDiaz.pdfDocumento Proyecto de Gradoapplication/pdf1085348https://repositorio.uniandes.edu.co/bitstreams/80502566-b418-4f11-afe6-16a8f07bc51a/downloadcb943c62ce0ebea2735a3e06d2a2a103MD54Formato de Autorizacion.pdfFormato de Autorizacion.pdfHIDEapplication/pdf81678https://repositorio.uniandes.edu.co/bitstreams/82d1c375-5ca2-4b28-89a4-dfe75b24cbd9/download8c674aaba4f089e1b5e7d9fb5b1494caMD53TEXTProyecto_de_Grado-JuanDavidDiaz.pdf.txtProyecto_de_Grado-JuanDavidDiaz.pdf.txtExtracted texttext/plain80490https://repositorio.uniandes.edu.co/bitstreams/90d6c9a7-6787-492d-a22e-add628a6cc4e/download1065295061f73de575e40ad8ddda7282MD55Formato de Autorizacion.pdf.txtFormato de Autorizacion.pdf.txtExtracted texttext/plain1236https://repositorio.uniandes.edu.co/bitstreams/a280418d-a39d-4051-8569-3bd6dc05759b/download623a62004ebc6e3e7358e37ffeac42c2MD57CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.uniandes.edu.co/bitstreams/fc51bb73-a061-4d9d-a513-82cda0e17be1/download24013099e9e6abb1575dc6ce0855efd5MD52THUMBNAILProyecto_de_Grado-JuanDavidDiaz.pdf.jpgProyecto_de_Grado-JuanDavidDiaz.pdf.jpgIM Thumbnailimage/jpeg10455https://repositorio.uniandes.edu.co/bitstreams/c517b155-7884-4c89-bcc1-95a178b1f42b/downloadfb96d73d5c991574b892e27ea34415feMD56Formato de Autorizacion.pdf.jpgFormato de Autorizacion.pdf.jpgIM Thumbnailimage/jpeg13528https://repositorio.uniandes.edu.co/bitstreams/17670a97-9b47-4c57-b09a-85ab5c092ffe/download4ef21a32597249d32f4fe8c6d0808ddbMD581992/64159oai:repositorio.uniandes.edu.co:1992/641592024-03-13 12:40:36.195http://creativecommons.org/licenses/by-nc/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |