資訊工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60

本系前身「資訊教育學系」成立於民國七十四年,首先招收大學部學生,民國九十年成立資訊工程研究所碩士班,而後於民國九十五年進行系、所調整合併為「資訊工程學系」;並於九十六年成立博士班。本系目前每年約招收大學部四十餘人,碩士班六十餘人,博士班約五人,截至民國一百零四年十一月止,總計現有大學部一百九十多人,碩士班一百二十多人,博士班二十三人,合計學生人數約為三百三十多位。

News

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    基於RISC-V架構之脈動陣列一維卷積運算研究
    (2022) 蔡佳諭; Tsai, Chia-Yu
    現有Edge端裝置由於產品定位原因,多數運算能力不足以應付AI模型應用程式,也因此裝置搭配硬體AI加速器,來使其足夠運算AI模型的方式成為此困境的解決方法之一。本論文研究基於RISC-V架構下的硬體AI加速器平台Gemmini,透過RISC-V中的custom指令為基礎,設計可利用加速器進行運算的一維卷積運算程式,使得此加速器平台能廣泛應用於類神經網路中。本論文將設計的程式執行於包含Gemmini平台的FPGA上,以Clock Cycles作為運算速度依據,比較模型運算時使用加速器與否的差別,以及直接使用Gemmini,與重排資料後再使用Gemmini執行一維卷積運算的速度差距,藉由此兩種比較,驗證Gemmini的加速效果及直接使用其運算1-D CNN的可行性。
  • Item
    以矩陣乘法為基礎應用硬體加速器於一維卷積計算之研究
    (2022) 鄭博升; Cheng, Po-Sheng
    隨著電腦計算能力的提升,人工智慧得以受惠於大量的卷積計算來取得資料的特徵,使電腦可以幫我們處理各種複雜的任務。在提升卷積計算的速度的研究中,以矩陣乘法來實作卷積計算是常見的一種方式。本論文針對一維的卷積計算,提出一種矩陣排列的方式,將一維卷積計算得以用矩陣乘法來達成,並且進一步的使用通用型硬體加速器,來大幅提升矩陣乘法的計算效能。將本論文的方法應用於神經網路模型,並佈署在FPGA開發版上,經過實驗的驗證,我們可以精準的產出計算結果,並且加速整體神經網路模型的計算效能。