Способи розпаралелення алгоритмів класу Random Walk за допомогою фреймворків PyTorch та TensorFlow

Скорочена інформація про документ
dc.contributor.advisorМарченко, Олександр Іванович
dc.contributor.authorКурдус, Анастасія Олександрівна
dc.date.accessioned2022-01-18T08:44:54Z
dc.date.available2022-01-18T08:44:54Z
dc.date.issued2021
dc.description.abstractenActuality of theme. Nowadays, random walks algorithms are quite popular and used in many fields. They improve the accuracy of the results, as well as speed. Random walks algorithms are successfully used in various fields of computer science, such as collaborative filteringre, commender system, computer vision, network embedding, link prediction, semi-supervised learning, element distinctness. Algorithms such as RWR and LRW are classic algorithms of the random walks group of algorithms. These algorithms are most often used in Computer Vision. Computer Vision is an interdisciplinary field that examines how computers can be created that can track, detect, and classify objects. Its tasks include methods of collecting, processing, analyzing and understanding digital images and extracting multidimensional data from the real world. The most important and relevant area of application of Computer Vision is medicine. Using this technology, information is obtained from video data, analyzing which determines the diagnosis of the patient. The technology is also used in industry to detect defects in the final product. So, as can be seen from all the above, the algorithms of the group random walks are relevant today and continue to gain popularity. The object of research is the RWR and LRW algorithms, which are classic algorithms of the group of random walks algorithms and TensorFlow and PyTorch frameworks. The subject of research is the RWR and LRW algorithms, which are classical algorithms of the group of random walks algorithms. Objective: to improve the RWR and LRW algorithms through the use of TensorFlow and PyTorch frameworks, as well as to develop software for the implementation and testing of algorithms. Research methods. Optimization method, experimental method. The scientific novelty is as follows: 1. A new implementation of RWR and LRW algorithms is proposed, which differs from the existing ones by adaptation for the use of tensor calculations and is created on the basis of TensorFlow and PyTorch frameworks. 2. A method for paralleling RWR and LRW algorithms using TensorFlow and PyTorch frameworks is proposed. 3. The comparison of efficiency of work of the offered algorithm with existing decisions is executed, examples at which this algorithm shows the best and worse results in comparison with existing algorithms are resulted. The practical value of the results obtained in this work is that the proposed algorithm allows you to create fast software systems that use RWR and LRW algorithms, through the use of TensorFlow and PyTorch frameworks. Approbation of work. The main provisions and results of the work were presented at the XIV Scientific Conference "Applied Mathematics and Computing" PMK-2021 (Kyiv, November 17-19, 2021) and at the VIII International Scientific and Technical Internet Conference "Modern Methods, Information, Software and technical support of management systems of organizational, technical and technological complexes ”(Kyiv, November 25-26, 2021). Structure and scope of work. The master's dissertation consists of an introduction, four chapters and conclusions. The introduction presents a general description of the work, assesses the current state of the problem, substantiates the relevance of research, formulates the purpose and objectives of research, shows the scientific novelty of the results and the practical value of the work. The first section discusses the basic principles of implementation of RWR and LRW algorithms, their features, disadvantages and advantages. The second section proposes a method for accelerating RWR and LRW based on the use of TensorFlow and PyTorch frameworks. The third section presents the features of the developed system. The fourth section presents approaches to testing the system as a whole and individual modules.uk
dc.description.abstractukАктуальність теми. У наш час random walks алгоритми доволі популярні і використовуються у багатьох сферах. За їх допомогою покращується точність отриманих результатів, а також швидкість роботи. Random walks алгоритми успішно застосовуються в різних областях інформатики, таких як collaborative filteringre, commender system, computer vision, network embedding, link prediction, semi-supervised learning, element distinctness. Такі алгоритми, як RWR та LRW є класичними алгоритмами групи алгоритмів random walks. Саме ці алгоритми найчастіше використовують в Computer Vision. Computer Vision - це міждисциплінарне поле, яке розглядає те, як можна створити комп'ютери, які можуть проводити стеження, виявлення та класифікацію об'єктів. Його завдання включає методи збору, обробки, аналізу та розуміння цифрових зображень та вилучення багатомірних даних із реального світу. Найбільш важливою та актуальною галуззю застосування Computer Vision є медицина. З використанням цієї технології отримують інформацію з відеоданих, аналізуючи яку, визначають діагноз пацієнта. Також технологія використовується в промисловості для виявлення дефектів кінцевого продукту. Тож, як видно з усього вищезазначеного, алгоритми групи random walks актуальні на сьогоднішній день і продовжують набирати популярність. Об’єктом дослідження є алгоритми RWR та LRW, які є класичними алгоритмами групи алгоритмів random walks та фреймворки TensorFlow та PyTorch . Предметом дослідження є алгоритми RWR та LRW, які є класичними алгоритмами групи алгоритмів random walks. Мета роботи: покращення алгоритмів RWR та LRW за допомогою використання фреймворків TensorFlow та PyTorch, а також розробка програмного забезпечення для реалізації та тестування алгоритмів. Методи дослідження. Метод оптимізації, експериментальний метод. Наукова новизна полягає в наступному: 1. Запропоновано нову реалізацію алгоритмів RWR та LRW, яка відрізняється від існуючих адаптацією під використання тензорних обчислень і створена на основі фреймворків TensorFlow та PyTorch. 2. Запропоновано спосіб ропаралелення алгоритмів RWR та LRW з використанням фреймворків TensorFlow та PyTorch. 3. Виконано порівняння ефективності роботи запропонованого алгоритму з існуючими рішеннями, наведено приклади, при яких цей алгоритм показує кращі та гірші результати в порівнянні з існуючими алгоритмами. Практична цінність отриманих в роботі результатів полягає в тому, що запропонований алгоритм дозволяє створювати швидкі програмні системи, в яких використовуються алгоритми RWR та LRW, за рахунок використання фреймворків TensorFlow та PyTorch. Апробація роботи. Основні положення і результати роботи були представлені на XIV науковій конференції «Прикладна математика та комп’ютинг» ПМК-2021 (Київ, 17-19 листопада 2021 р.) та на VІІІ Міжнародній науково-технічній Internet-конференції “Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами” (Київ, 25-26 листопада 2021 р.). Структура та обсяг роботи. Магістерська дисертація складається з вступу, чотирьох розділів та висновків. У вступі подано загальну характеристику роботи, зроблено оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень, показано наукову новизну отриманих результатів і практичну цінність роботи. У першому розділі розглянуто основні принципи реалізації алгоритмів RWR та LRW , їхні особливості, недоліки та переваги. У другому розділі запропоновано метод прискорення RWR та LRW на основі використання фреймворків TensorFlow та PyTorch. У третьому розділі наведено особливості реалізації розробленої системи. У четвертому розділі представлено підходи до тестування системи в цілому та окремих модулів. У висновках представлені результати проведеної роботи. Робота представлена на 82 аркушах, містить посилання на список використаних літературних джерел.uk
dc.format.page91 с.uk
dc.identifier.citationКурдус, А. О. Способи розпаралелення алгоритмів класу Random Walk за допомогою фреймворків PyTorch та TensorFlow : магістерська дис. : 123 Комп’ютерна інженерія / Курдус Анастасія Олександрівна. – Київ, 2021. – 91 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/45912
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectPyTorchuk
dc.subjectTensorFlowuk
dc.subjectrandom walksuk
dc.subjectRWRuk
dc.subject.udc004.02uk
dc.titleСпособи розпаралелення алгоритмів класу Random Walk за допомогою фреймворків PyTorch та TensorFlowuk
dc.typeMaster Thesisuk

Файли

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

Зібрання

Магістерські роботи (СПСКС)
Магістерські роботи