طراحی شبکه عصبی cnn با استفاده از الگوریتم fft با استفاده از سخت افزار fpga

با پیشرفت سریع فناوری و هوش مصنوعی، شبکه‌های عصبی به صورت قابل توجهی در جنبه‌های مختلف زندگی انسان ادغام شده‌اند. شبکه‌های عصبی کانولوشن از جمله شبکه های پرکاربرد برای پردازش و تحلیل تصاویر هستند. در این مقاله به پیاده‌سازی شبکه عصبی کانولوشن با استفاده از الگوریتم تبدیل سریع فوریه برای انجام کانولوشن در حوزه فرکانس پیشنهاد شده است. برای این منظور، از یک بلوک fft برای تبدیل داده‌های ورودی، از حوزه زمان به حوزه فرکانس استفاده شده. عملیات ضرب در حوزه فرکانس سریع‌تر از ضرب در حوزه زمان است. از روش overlap and add برای هم‌سایز کردن ماتریس ورودی و فیلتر استفاده شده است. دو مدل شبیه‌سازی ارائه شده است: کانولوشن در حوزه زمان و کانولوشن در حوزه فرکانس با استفاده از fft. معماری پیشنهادی روی برد fpga z-turn با تراشه xc7z020clg400ab به زمان 1.603 نانوثانیه (nsec) برای الگوریتم پیشنهادی با اندازه ورودی 32 و اندازه فیلتر 8 دست یافته است. در حالی که در روش کانولوشن این زمان 2.310 نانوثانیه است.

designing a cnn neural network using the fft algorithm using fpga hardware

with the rapid advancement of technology, artificial intelligence (ai) and neural networks have become increasingly integrated into various aspects of human life. convolutional neural networks (cnns) are among the most widely used architectures for image recognition and analysis. in this paper, an implementation of cnn convolution using fast fourier transform (fft) is proposed to perform convolution in the frequency domain. to this end, an fft block is employed to transform the input data from the time domain to the frequency domain, where multiplication operations are computationally more efficient. the overlapand- add method is utilized to align input sizes and enable proper mathematical operations. two simulation models are presented: convolution in the time domain, and convolution in the frequency domain using fft. the proposed architecture on the z-turn fpga board with the xc7z020clg400ab chip has achieved a time of 1.603 nano-second (nsec) for the proposed algorithm with input size 32 and filter size 8. while in the convolution method this time is 2.310 nano-second.