VHDL vs. SystemC: Design of Highly Parameterizable Artificial Neural Networks

Aledo, David; Schafer, Benjamin Carrion; Moreno, Félix

doi:10.1587/transinf.2018edp7142

Cited by 7 publications

(7 citation statements)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Conversely, other studies observed better performances in one of the two implementations, either HLS [23]- [27] or HDL [28], [29]. From the programming effort perspective, comparative works between HLS and HDL designs for FPGA show similar trends (except for [30]). In general, HLS descriptions require less development time due to their higher abstraction level and the programmer's familiarity with those languages.…”

Section: State Of the Artmentioning

confidence: 85%

A Comparative Study between HLS and HDL on SoC for Image Processing Applications

Millon

Frati

Rucci³

2020

Elek.

View full text Add to dashboard Cite

La creciente complejidad de los sistemas actuales y los tiempos limitados del mercado exigen nuevas herramientas de desarrollo para las FPGAs. Hoy en día, además de los tradicionales lenguajes de descripción de hardware (HDL), existen herramientas de síntesis de alto nivel (HLS) que aumentan el nivel de abstracción en el desarrollo de sistemas. A pesar de la mayor simplicidad de diseño y pruebas, HLS tiene algunos inconvenientes para describir hardware. Este documento presenta un estudio comparativo entre HLS y HDL para FPGA, utilizando un filtro Sobel como caso de estudio en el ámbito del procesamiento de imágenes. Los resultados muestran que la implementación HDL es levemente mejor que la versión HLS considerando uso de recursos y tiempo de respuesta. Sin embargo, el esfuerzo de programación en la implementación de HDL es significativamente mayor.

show abstract

Section: State Of the Artmentioning

confidence: 85%

A Comparative Study between HLS and HDL on SoC for Image Processing Applications

Millon

Frati

Rucci³

2020

Elek.

View full text Add to dashboard Cite

show abstract

“…Collaborative filtering is a method for personalized recommendation according to the ratings and usage behaviors of system users. e idea behind its approach is that if a group of users have similar views on one topic, they may also have similar interests on another topic [11]. Collaborative filtering algorithm does not need to analyze the project content, but mainly pays attention to the user's scoring data of the project.…”

Section: 2mentioning

confidence: 99%

“…e mapping of combined features can be obtained by summing the mapped feature sets. e formula is shown in (11):…”

Section: Metric-learning Modelmentioning

confidence: 99%

Personalized Analysis and Recommendation of Aesthetic Evaluation Index of Dance Music Based on Intelligent Algorithm

Geng

2021

Complexity

View full text Add to dashboard Cite

In the era of Industry 4.0 and 5G, various dance music websites provide thousands of dances and songs, which meet people's needs for dance music and bring great convenience to people. However, the rapid development of dance music has caused the overload of dance music information. Faced with a large number of dances and songs, it is difficult for people to quickly find dance music that conforms to their own interests. The emergence of dance music recommendation system can recommend dance music that users may like and help users quickly discover or find their favorite dances and songs. This kind of recommendation service can provide users with a good experience and bring commercial benefits, so the field of dance music recommendation has become the research direction of industry and scholars. According to different groups of individual aesthetic standards of dance music, this paper introduces the idea of relation learning into dance music recommendation system and applies the relation model to dance music recommendation. In the experiment, the accuracy and recall rate are used to verify the effectiveness of the model in the direction of dance music recommendation.

show abstract

“…Por esto, en losúltimos años se viene popularizando el diseño de hardware a nivel algorítmico por medio de herramientas de síntesis de alto nivel (HLS, por sus siglas en inglés de High-level synthesis). Estas herramientas permiten describir las arquitecturas de hardware usando lenguajes de programación de alto nivel como C/C++ o Python, disminuyendo considerablemente la complejidad del flujo de diseño y proporcionando la posibilidad de paralelización del algoritmo a través de directivas de optimización [1].…”

Section: Introductionunclassified

An´alisis de desempe˜no de capas de CNN para arquitecturas heterog´eneas basadas en FPGAs usando HLS

Mateo

Castano-Londono

Alzate-Anzola

et al. 2020

Ing.

View full text Add to dashboard Cite

Contexto: Las redes neuronales convolucionales (CNNs) son actualmente utilizadas en una amplia gama de aplicaciones de inteligencia artificial. En muchos casos, dichas aplicaciones requieren la ejecución de las redes en tiempo real en dispositivos integrados. Por esto, el interés en que estas aplicaciones puedan alcanzar un buen desempeño con bajo consumo de potencia. Las CNNs realizan operaciones entre los datos de entrada y los pesos de la red, con la particularidad de que no existe dependencia entre la mayoría de las operaciones. Por tal motivo, el paralelismo inherente de los FPGAs puede ser usado para realizar múltiples operaciones en paralelo, manteniendo el buen desempeño por vatio que caracteriza a estos dispositivos. Este artículo se enfoca en la evaluación del algoritmo de convolución para una capa convolucional de redes neuronales explorando directivas de paralelización usando VIVADO HLS, y su objetivo es evaluar el desempeño del algoritmo utilizando directivas de optimización. Método: La metodología consiste en una exploración del espacio de diseño de la implementación de una capa de una red neuronal convolucional usando VIVADO HLS. La verificación del funcionamiento del FPGA fue realizada comparando los datos de salida con el mismo algoritmo de convolución implementado en MATLAB. Una capa de la versión comercial Xilinx DNNK fue usada como referencia para las medidas de desempeño de las diferentes implementaciones obtenidas en la exploración del espacio de diseño. En este trabajo se utilizan múltiples variaciones de directivas de optimización, tales como pipeline, array partition, y unroll. Resultados: Este trabajo presenta los resultados de una implementación de referencia (sin directivas de optimización) del algoritmo de convolución con respecto a la latencia del algoritmo y los recursos de hardware utilizados por la FPGA. Los resultados se comparan con implementaciones del algoritmo, incluyendo diferentes combinaciones de dos directivas de optimización (pipeline y partition array). Conclusiones: Este trabajo explora el espacio de diseño de un algoritmo de convolución para una capa de red neuronal convolucional sobre FPGAs. La exploración incluye el efecto causado por la transferencia de los datos entre la memoria DDR y la memoria on-chip del FPGA. Además, dicho efecto es causado por las directivas de optimización en Vivado HLS sobre los diferentes ciclos del algoritmo.

show abstract

VHDL vs. SystemC: Design of Highly Parameterizable Artificial Neural Networks

Cited by 7 publications

References 26 publications

A Comparative Study between HLS and HDL on SoC for Image Processing Applications

A Comparative Study between HLS and HDL on SoC for Image Processing Applications

Personalized Analysis and Recommendation of Aesthetic Evaluation Index of Dance Music Based on Intelligent Algorithm

An´alisis de desempe˜no de capas de CNN para arquitecturas heterog´eneas basadas en FPGAs usando HLS

Contact Info

Product

Resources

About