Resumen. Actualmente se tienen diferentes esquemas de comunicación que buscan la interconexión de la mayor cantidad de dispositivos posibles, tal como el Internet de las Cosas, para así poder controlar actuadores u obtener datos desde diferentes puntos geográficos. Cuando se tienen situaciones tales como el estudio de los comportamientos ambientales, análisis de los comportamientos de consumo de individuos, o análisis de comportamientos poblacionales generales, es necesario obtener información de diferentes zonas y analizarlas en conjunto para obtener el resultado adecuado. Por este motivo, la generación de sistemas que puedan trabajar en conjunto desde distintas latitudes se vuelve un tema de estudio importante. En este trabajo se describirán diferentes modelos para la generación de una red neuronal distribuida, o segmentada, entre diferentes dispositivos conectados a Internet comunicándose mediante el protocolo de mensajería XMPP. Estos modelos logran identificar patrones de entrenamiento con datos provenientes desde distintas fuentes. El modelo utiliza tarjetas de desarrollo Raspberry Pi 3B+ para procesar y entrenar la red neuronal.Palabras clave: internet de las cosas, redes neuronales distribuidas, cómputo distribuido, Raspberry Pi, XM PP.Abstract. Currently there are different communication schemes that seek the interconnection of any kind of devices, such as the Internet of Things, in order to control actuators or obtain data from different geographical points. When there are situations such as the study of environmental behaviors, or analysis of general population behaviors, it is necessary to obtain information from different areas and analyze such data together to obtain the correct result. For this reason, the generation of systems that can work together from different latitudes becomes an important topic of study. In this paper we will describe different models for the generation of a distributed or segmented neural network between different de-197
Hoy en día el uso de dispositivos tales como las FPGA, ha tomado fuerza para el diseño de diferentes proyectos tecnológicos y computacionales, estos dispositivos tienen características que las hacen atractivas para la ejecución de diferentes esquemas de desarrollo. En este trabajo se presenta la implementación y análisis de una red neuronal tipo Backpropagation sobre una tarjeta de desarrollo SoC Zynq®-7000. La placa de trabajo consta de un elemento FPGA y una unidad de procesamiento, los cuales pueden emplearse de manera autónoma. Se generaron los modelos neuronales basados en el lenguaje de descripción VHDL. Cuando se ha tenido la red neuronal completamente descrita dentro de la FPGA, se han realizado experimentos de clasificación de imágenes ejecutándose en ambos dispositivos (FPGA y unidad de procesamiento), comparando y analizando la eficiencia y velocidad de ejecución en cada uno de ellos. Se utiliza la tarjeta de desarrollo PYNQ-Z1 de Digilent, ya que proporciona los recursos necesarios para cumplir los objetivos del proyecto.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.