Επιτάχυνση του αλγορίθμου μηχανικής μάθησης k-Nearest Neighbors με τη χρήση FPGA

Abstract

Στην παρούσα διπλωματική εργασία γίνεται προσπάθεια επιτάχυνσης του αλγορίθμου μηχανικής μάθησης k-Nearest Neighbors με τη χρήση FPGA. Η αναπτυξιακή πλατφόρμα που χρησιμοποιήθηκε είναι η PYNQ-Z1 η οποία φέρει ολοκληρωμένο κύκλωμα της σειράς Zynq-7000 της Xilinx. Η πλατφόρμα αυτή υποστηρίζει την χρήση της γλώσσας υψηλού επιπέδου Python, για τον έλεγχο των επιταχυντών που εκτελούνται στο FPGA κομμάτι του κυκλώματος, μέσω του API που προσφέρει το ανοιχτού-κώδικα έργο PYNQ. Ο αλγόριθμος εφαρμογής ήταν αυτός που υλοποιείται από τη βιβλιοθήκη μηχανικής μάθησης Scikit-learn. Η βιβλιοθήκη αυτή τροποποιήθηκε ώστε να καλεί τους επιταχυντές υλικού που έχουν υλοποιηθεί στο FPGA. Προκειμένου να γίνουν οι ελάχιστες δυνατές τροποποιήσεις στον κώδικα της βιβλιοθήκης επιχειρήθηκε η επιτάχυνση συναρτήσεων του πακέτου επιστημονικών υπολογισμών NumPy, οι οποίες καλούνται από τη Scikit-learn. Η πρώτη συνάρτηση στην οποία εφαρμόστηκε η μεθοδολογία ανάπτυξης σε FPGA είναι η matmul και εκτελεί πολλαπλασιασμό πινάκων. Η ίδια μεθοδολογία ανάπτυξης εφαρμόστηκε και για τη συνάρτηση sort του πακέτου που υλοποιεί αλγόριθμο ταξινόμησης. Η επιτάχυνση που έχει επιτευχθεί τείνει στο 80% για μεγάλα σύνολα δεδομένων για τον αλγόριθμο k-NN. Δεδομένου ότι από το πακέτο Scikit-learn καλούνται και άλλες συναρτήσεις, εκτός αυτών που εκτελέστηκαν στο FPGA μια τέτοια επιτάχυνση θεωρείται ικανοποιητική. Μελλοντική επέκταση της εφαρμογής και σε άλλες συναρτήσεις του πακέτου NumPy αλλά και του πακέτου SciPy φαίνεται από τη παρούσα εργασία ότι είναι εφικτή.