FPGA - Accelerated Quantized Neural Networks

Informasi Umum

Pada course ini, peserta dikenalkan dengan apa itu kuantisasi dan quantized neural networks (QNN). Secara spesifik, course ini membahas bagaimana cara mengkuantisasi layer-layer yang ada pada suatu model deep learning (convolution layer, linear layer, fungsi aktivasi, dll) dengan membuat operasi/fungsi yang serupa yang dapat diimplementasikan secara lebih sederhana pada sebuah hardware FPGA. Course ini juga membahas tentang metode training QNN, kompilasi, dan alur proses pengimplementasiannya sebuah board FPGA. Secara umum, ada tiga buah framework yang dibahas dalam course ini yaitu: PyTorch, Brevitas, dan FINN.

Target Pembelajaran

• Peserta memahami teknik kuantisasi dan QNN
• Peserta memahami alur proses pengimplementasian QNN pada FPGA

Peralatan

• Komputer/laptop
• Board FPGA (Optional, jika ingin mencoba sendiri)

Fasilitas

• Materi
  • Pengantar Kuantisasi dan Quantized Neural Networks (QNN)
  • Metode Kuantisasi dan Training QNN
  • Operasi QNN: Binarized Neural Networks (BNN)
  • FINN: Compiler untuk QNN pada FPGA
  • Tahapan Kompilasi QNN dengan FINN
  • Inferensi QNN pada FPGA
• E-Certificate

Kriteria Kelulusan

Peserta diwajibkan untuk mengambil kuis dari setiap silabus yang ada di course. Tugas akhir dapat diakses jika peserta telah menyelesaikan kuis di setiap silabus dengan nilai yang memenuhi kriteria ketuntasan minimal (KKM) yaitu 70. Setelah peserta menyelesaikan kuis dan tugas akhir, maka peserta akan mendapatkan sertifikat.

Skema Penilaian
A. Kuis (80%)
Soal kuis di setiap silabus terdiri dari soal-soal pilihan ganda yang harus dijawab oleh peserta. Nilai kuis dapat diperoleh jika peserta dapat menyelesaikan kuis di setiap silabus dengan sempurna. Nilai kuis setiap silabus akan diakumulasikan sebanyak 10%.
B. Tugas akhir (20%)
Tugas akhir terdiri dari satu soal analisis yang diambil dari silabus. Nilai tugas akhir dapat diperoleh jika peserta berhasil menyelesaikan tugas akhir dengan baik.

Referensi

Artikel ilmiah (peer-reviewed journal / conference proceedings):

• https://doi.org/10.3390/s21092984
• https://doi.org/10.1145/3020078.3021744
• https://doi.org/10.1145/3242897
• https://doi.org/10.1145/3470567
• https://doi.org/10.1109/FCCM.2018.00018
• https://doi.org/10.48550/arXiv.1912.01703

Dokumentasi library/software:

• https://pytorch.org/
• https://github.com/Xilinx/brevitas
• https://xilinx.github.io/finn/

Lain-lain:

• https://www.v7labs.com/blog/neural-network-architectures-guide
• https://towardsdatascience.com/covolutional-neural-network-cb0883dd6529
• https://www.qualcomm.com/news/onq/2019/03/heres-why-quantization-matters-ai
• https://www.allaboutcircuits.com/technical-articles/neural-network-quantization-what-is-it-and-how-does-it-relate-to-tiny-machine-learning/