ترجمه مقاله یادگیری عمیق و نظریه تعادل نقطه ای – نشریه الزویر
مبلغ : 18800 تومان
سال انتشار : 2017
ترجمه مقاله پیاده سازی FPGA قابل تنظیم شبکه های عصبی – نشریه الزویر
قیمت خرید این کالا
15,800 تومان
| عنوان فارسی: | پیاده سازی FPGA قابل تنظیم شبکه های عصبی |
| عنوان انگلیسی: | Reconfigurable FPGA implementation of neural networks |
| تعداد صفحات مقاله انگلیسی : 18 | تعداد صفحات ترجمه فارسی : 17 (1 صفحه رفرنس انگلیسی) |
| سال انتشار : 2018 | نشریه : الزویر - Elsevier |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده و pdf |
| نوع مقاله : ISI | نوع نگارش : مقاله کوتاه (Short Communication) |
| پایگاه : اسکوپوس | نوع ارائه مقاله : ژورنال |
| ایمپکت فاکتور(IF) مجله : 5.188 در سال 2018 | شاخص H_index مجله : 110 در سال 2019 |
| شاخص SJR مجله : 0.996 در سال 2018 | شناسه ISSN مجله : 0925-2312 |
| شاخص Q یا Quartile (چارک) : Q1 در سال 2018 | کد محصول : 10174 |
| محتوای فایل : zip | حجم فایل : 2.12Mb |
| رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، هوش مصنوعی |
| مجله: محاسبات عصبی - Neurocomputing |
| دانشگاه: دانشگاه صنعتی Rzeszów، لهستان |
| کلمات کلیدی: FPGA، شبکه های عصبی |
| کلمات کلیدی انگلیسی: FPGA - Neural networks |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓ |
| وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
| وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
| بیس: نیست ☓ |
| مدل مفهومی: ندارد ☓ |
| پرسشنامه: ندارد ☓ |
| متغیر: ندارد ☓ |
| رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
| رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است |
| doi یا شناسه دیجیتال: https://doi.org/10.1016/j.neucom.2018.04.077 |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب
چکیده
1. مقدمه
2. پیاده سازی صرفه جویی منابع
3. پیاده سازی موازی
4. نیاز به منابع، سرعت محاسبات و دقت
5. نتیجه گیری ها
منابع
نمونه متن انگلیسی
Abstract
This brief paper presents two implementations of feed-forward artificial neural networks in FPGAs. The implementations differ in the FPGA resources requirement and calculations speed. Both implementations exercise floating point arithmetic, apply very high accuracy activation function realization, and enable easy alteration of the neural network's structure without the need of a re-implementation of the entire FPGA project.
نمونه متن ترجمه
چکیده
این مقاله کوتاه دو پیاده سازی شبکه های عصبی مصنوعی پیشخور در FPGAها را ارائه می دهد. پیاده سازی در نیاز منابع و سرعت محاسبات FPGA متفاوت است. هر دو پیاده سازی با اعمال محاسبات نقطه شناور، توابع فعال سازی با دقت بسیار بالا را اعمال کرده و باعث تغییر آسان ساختار شبکه عصبی بدون نیاز به اجرای دوباره کل پروژه FPGA می شوند.
