工業技術研究院

技術簡介

深度學習（deep learning）是機器學習（machine learning）的分支，可協助電腦理解影像、聲音和文 字等資料。在深度學習中，常使用卷積神經網路系統 （convolutional neural network, CNN），作為影 像辨識分類及偵測的核心IP。 CNN是一種前饋式神經網路，由多層卷積層及全連接層 （fully-connected layer）組成，在每一層中萃取 及學習不同的特徵，並利用反向傳播算法（back propagation）更新權重及降低損失，進而優化整體系 統，以達到高精確度。而深度學習模型最佳化技術為一 模擬技術，以CNN為基礎，模擬其中所需使用到的軟硬 體資源，目的在於將僅有軟體概念的Deep CNN架構， 轉化出符合需求且最佳化後的軟硬體資訊，以供設計者 進行適切的模型架構開發與並連結應用情境與需求。

Abstract

Deep learning, a class of machine learning, can help machine understand images. voice and words. We take convolutional neural network (CNN) which is commonly used to classifier or detect images in deep learning to be our core technology. CNN is a feed- forward neural network that consists of multiple convolutional layer and fully- connected layer. CNN updates weights by back-propagation and minimizes loss iteratively to optimize the accuracy. Deep Learning Model Optimized Simulator simulates hardware information based on CNN. It can provide information of optimized hardware that is most appropriate for the software structure given by user.

技術規格

1.提供Simulator 平台，支援一般CNN使用的layer： 1.1 Convolutional layer 1.2 Fully-connected layer 1.3 Pooling layer 2.給定相關設計模型與相關硬體資訊，自動轉化為相對 應的軟硬體工作排程與描述語言： 2.1 Auto code transformation 3.提供合適的軟硬體最佳化後的選擇組合。

Technical Specification

1.Simulator platform, included commonly-used layer in CNN： 1.1 Convolutional layer 1.2 Fully-connected layer 1.3 Pooling layer 2.Provide hardware information, turned software-level structure into hardware- level： 2.1Auto code transformation 3.Provide appropriate and cache-friendly configuration of optimized hardware

技術特色

使用CNN對影像進行分類及偵測時，針對圖片性質（圖片尺寸、顏色等），可以調整內部參數及模型架構來適應不同的需求，以 達到提升精確度或降低運算量等目標，因此，會產生許多不同參數甚至差異極大的網路架構。深度學習模型最佳化技術介於軟 硬體層面，當使用者須開發硬體以供加速或其他應用時，則可在實際建構硬體前，使用模擬器預先取得最佳化後的硬體設計資 訊，使在設計初期，即有實際數據參考，協助整體硬體建構與設計。

應用範圍

開發CNN最佳硬體化相關使用者

接受技術者具備基礎建議（設備）

Linux-based PC/devices

接受技術者具備基礎建議（專業）

熟悉Linux發展環境

聯絡資訊