pdf (90) - Faculdade de Informática - pucrs

2.4.1.2 Exemplo de comparação entre um sistema RTR com reconfiguração extrínseca e um
sistema estático
A seguir será justificado o tempo de configuração de uma aplicação RTR, segundo a abordagem
apresentada acima. A aplicação analisada é a implementação de uma rede neural que usa o algoritmo
de aprendizagem por retro-propagação em FPGAs (denominada RRANN-Runtime Reconfigured Neu-
ral Network) [ELD94]. Como mostrado na Figura 2.6, o algoritmo é particionado em três estágios:
pós-alimentação (feed-forward), retro-propagação (back-propagation) e atualização. Esse processo
de três estágios é repetido até que o algoritmo de treinamento convirja.
Figura 2.6: Três estágios do algoritmo de treinamento por retro-propagação.
Como sugerido na Figura2.6, o algoritmo é executado da seguinte forma:
1. Configuração dos recursos do FPGA com o processador neural de pós-alimentação, e compu-
tação dos dados;
2. O circuito de retro-propagação é configurado e entra em execução;
3. O circuito de atualização é implementado e executa, completando uma iteração do algoritmo.
Este processo de reconfiguração e execução continua até os resultados do algoritmo de treinamen-
to convergirem. Uma vez que a abordagem RTR requer todo hardware apenas por um estágio por vez,
o algoritmo inteiro pode ser executado com menos recursos do que em uma abordagem estática.
Este processo é uma reconfiguração em tempo de execução extrínseca, isto é, o sistema como um
todo é reconfigurado dinamicamente, mas a reconfiguração do dispositivo é estática, uma vez que é
interrompida a execução de uma determinada lógica para que outra seja configurada e executada. Ain-
da assim é uma abordagem dinâmica, e a possibilidade de substituir controle e aritmética associados
a um algoritmo inativo por outros estágios incrementa a eficiência do hardware.
Na Tabela 2.2 são mostrados os parâmetros de comparação entre o sistema estático e o sistema
dinâmico, para uma rede de 60 neurônios. Como mostrado, o circuito RTR completa o algoritmo
com um terço do hardware necessário para o sistema estático. Essa redução em hardware fornece um
incremento máximo na densidade funcional ( ) de 168% sobre a alternativa estática.
Para calcular a densidade funcional de cada sistema, o tempo total de operação ( ) e a área
27
( ) devem ser determinados. O tempo de execução e área de uma rede neural executando RRANN