Запуск инференса нейронной сети из тернарных слоев для классификации изображений

Этот раздел содержит инструкции по запуску инференса нейронной сети для классификации изображений на нейроморфном процессоре Алтай-2. Нейронную сеть требуется предварительно создать с помощью тернарных слоев пакета ANN2SNN, обучить и разместить для исполнения на нейроморфном процессоре.

Чтобы запустить инференс нейронной сети из тернарных слоев для классификации изображений:

1. Подключите объединительную плату с нейроморфным процессором Алтай-2 к компьютеру с помощью интерфейсов PCI-E или USB.
2. В директории вашего проекта создайте файл программы с расширением .py, в котором будет реализован инференс нейронной сети.
3. В файле программы импортируйте модули библиотек, необходимые для инференса нейронной сети.

   Если требуется, определите псевдонимы с помощью оператора as.

   Пример подключения объектов для инференса нейронной сети:

   Python

   from knp_ann2snn import Altai

   import tensorflow as tf

   import numpy as np

   from tqdm import tqdm

4. Создайте функцию для подсчета точности модели.

   Пример функции для подсчета точности модели:

   Python

   def calculate_accuracy(array1,array2):

   correct_predictions = sum(a == b for a, b in zip(array1,array2))

   accuracy = correct_predictions / len(array1)

   return accuracy

5. Подготовьте данные для инференса.

   Пример подготовки данных MNIST для инференса:

   Python

   # Загрузка модели.

   altai = Altai()

   # Укажите путь к конфигурационному файлу для загрузки на нейроморфный процессор

   # и компонент для исполнения нейронной сети:

   # hw – для инференса нейронной сети на аппаратном процессоре Алтай-2

   # gm – для инференса нейронной сети на программном эмуляторе.

   # Если функция активации на последнем слое - softmax, необходимо ее указать.

   altai.build("mnist.json", "gm", activation="softmax")

   # Загрузка данных MNIST для инференса.

   (_, _), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

   # Нормализация входных данных.

   x_test = x_test / 255

   # Приведение входных данных в бинарный вид.

   x_test[x_test > 0.5] = 1

   x_test[x_test <= 0.5] = 0

   x_test = x_test.reshape(x_test.shape + (1,))

6. Запустите инференс.

   Пример инференса:

   Python

   pred = []

   for i in tqdm(range(x_test.shape[0])):

   # Преобразование входного вектора в спайки.

   altai.prepare_spikes(x_test[i])

   # Запуск генерации сигнала тик.

   altai.start_ticks(2)

   # Получение спайков от нейронной сети.

   spikes_idx = altai.get_spikes()

   # Берем -1 индекс из-за того, что интересует результат последнего тика.

   predicted_class = spikes_idx[-1]

   pred.append(predicted_class)

   # Оценка точности нейронной сети.

   print("Accuracy: ", calculate_accuracy(y_test, pred)* 100,"%")

7. Запустите программу.