Selbstfahrende Autos, Film- und Einkaufsvorschläge, sowie automatisierte Haussteuerungen sind heute keine Seltenheit mehr. Maschinelles Lernen spielt hier eine wesentliche Rolle, um aus erhobenen Daten schließlich sinnvolle Informationen für mögliche Anwendung zu extrahieren. Selbst modernste Hardware wird durch die Komplexität Maschineller Lernalgorithmen, sowie die schiere Datenmenge schnell an ihre Grenzen gebracht. Um dennoch eine Analyse der Daten zu ermöglichen wird daher vermehrt auf Methoden des High Performance Computing, wie z.B: der Verbindung aus klassischen CPUs, sowie GPUs und Field Programmable Gate Arrays (FPGAs) gesetzt. Im Bereich des Deep Learning werden momentan vor allem GPUs zum Training und zur Inferenz eingesetzt, wobei sich FPGAs als sinnvolle Alternative aufgetan haben. Die Verwendung von FPGAs im Kontext von Deep Learning steckt jedoch noch in den Kinderschuhen. In dieser Masterarbeit sollen in Zusammenarbeit mit Carl Zeiss FPGAs im Kontext von Deep Learning untersucht und mit „klassischen“ GPUs verglichen werden.

Weitere Informationen entnehmen Sie bitte der angehängten Ausschreibung.