Herramientas de adaptación de modelos de Deep Learning para su implementación en plataformas de bajos recursos computacionales.

Marquina Rubio, Sergio
Medrano Marqués, Nicolás (dir.) ; Enériz Orta, Daniel (dir.)

Universidad de Zaragoza, CIEN, 2023

Graduado en Física

Resumen: Este trabajo se centra en la evaluación de la precisión y eficiencia de herramientas para la implementación de modelos de Deep Learning en dispositivos con recursos computacionales limitados, específicamente en FPGAs (Field Programmable Gate Arrays).
Para ello elegimos el problema-tipo de la segmentación de fonocardiogramas en sus cuatro estados cardíacos fundamentales. Inicialmente se realiza un preprocesamiento de los datos, seguido del desarrollo de una red neuronal de tipo U-Net adaptada para procesar señales unidimensionales con Keras y se lleva a cabo un entrenamiento inicial sin restricciones. A continuación, se utiliza HLS4ML para establecer el tipo de datos de punto fijo, parte esencial para optimizar el mapeado de la arquitectura neuronal seleccionada sobre los recursos disponibles en la plataforma, buscando alcanzar la respuesta más eficiente del modelo.
Finalmente, se implementa el modelo en una FPGA, comparando las estimaciones proporcionadas por HLS y Vivado con los resultados reales en términos de recursos, exactitud y latencia.

Tipo de Trabajo Académico: Trabajo Fin de Grado