Дослідження масштабованості архітектури сходових нейронних мереж для високонавантажених задач обробки великих наборів даних

Скорочена інформація про документ
dc.contributor.advisorСинєглазов, Віктор Михайлович
dc.contributor.authorЄрко, Андрій Вадимович
dc.date.accessioned2024-03-04T09:43:25Z
dc.date.available2024-03-04T09:43:25Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 116 сторінки, 15 таблиці, 18 рисунків, додаток, 21 посилання. Мета дослідження — підвищити швидкодію архітектури сходових нейронних мереж шляхом застосування методів підвищення масштабованості. Об’єкт дослідження — сходові нейронні мережі. Предмет дослідження — методи підвищення масштабованості сходових нейронних мереж в високонавантажених задачах. Методи дослідження — квантизація після навчання та навчання з урахуванням квантизації в цільночислені представлення чисел та представлення з плаваючою комою на процесорі та відеоприскорювачі CUDA. Розглянуто проблеми масштабованості cходових нейронних мереж для високонавантажених задач машинного навчання. Досліджено методи квантизації вагів сходових нейронних мереж до різної точності представлення чисел на процесорі та прискорювачі CUDA. Проведено експерименти щодо їх впливу на точність прогнозування, швидкодію обробки даних, та розмір результуючого файлу моделі. Проаналізовано та порівняно результати різних методів квантизації та її відсутності на ефективність використання сходових нейронних мереж до задач обробки даних. Результати роботи можуть бути використані для підвищення масштабованості та швидкодії сходових нейронних мереж в високонавантажених задачах, де їх застосування цієї архітектури є доцільним, наприклад, обробка відео та аудіосигналу, задачі обробки зображень та інші.
dc.description.abstractotherMaster’s thesis: 116 pages, 15 tables, 18 figures, appendix, 21 references. The purpose of the research — to increase the speed of the architecture of ladder neural networks by applying methods of increasing scalability. The object of research — ladder neural networks. The subject of research — methods of increasing the scalability of ladder neural networks in highly loaded tasks. Research methods — post-training quantization and quantization-aware training into integer and floating-point number representations on the processor and the CUDA video accelerator. The problems of scaling neural networks for highly loaded machine learning tasks are considered. The methods of quantization of the weights of ladder neural networks to different accuracy of number representation on the processor and the CUDA accelerator were studied. Experiments were conducted on their impact on forecasting accuracy, data processing speed, and the size of the resulting model file. The results of various methods of quantization and its absence on the effectiveness of using ladder neural networks for data processing tasks are analyzed and compared. The results of the work can be used to increase the scalability and speed of ladder neural networks in highly loaded tasks, where use of the architecture is appropriate, for example, video and audio signal processing, image processing tasks, and others.
dc.format.extent116 с.
dc.identifier.citationЄрко, А. В. Дослідження масштабованості архітектури сходових нейронних мереж для високонавантажених задач обробки великих наборів даних : магістерська дис. : 122 Комп'ютерні науки / Єрко Андрій Вадимович. - Київ, 2024. - 116 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/65176
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectcходова нейронна мережа
dc.subjectмасштабованість
dc.subjectквантизація
dc.subjectнапівкероване навчання
dc.subjectмашинне навчання
dc.subjectштучний інтелект
dc.subjectladder neural network
dc.subjectscalability
dc.subjectquantization
dc.subjectsemi-supervised learning
dc.subjectmachine learning
dc.subjectartificial intelligence
dc.subject.udc[004.032.26:004.9](043.3)
dc.titleДослідження масштабованості архітектури сходових нейронних мереж для високонавантажених задач обробки великих наборів даних
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Yerko_magistr.pdf
Розмір:
1.31 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ШІ)
Магістерські роботи