Evoluční algoritmy v návrhu konvolučních neuronových sítí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Táto práca sa zaoberá možnosťami automatizácie návrhu neurónových sietí pomocou neuroevolúcie, t. j. využitia evolučných algoritmov pri konštruovaní umelých neurónových sietí alebo optimalizovaní ich parametrov. Cieľom práce je navrhnúť a implementovať evolučný algoritmus v podobe frameworku slúžiaceho na automatizáciu a optimalizáciu návrhu topológií konvolučných neurónových sietí. Účinnosť frameworku bola následne experimentálne vyhodnotená na úlohách klasifikácie obrazu na datasetoch MNIST a CIFAR10. Výsledky ukázali, že neuroevolúcia má potenciál hľadať úspešné a efektívne architektúry konvolučných neurónových sietí.
This work focuses on automatization of neural network design via the so-called neuroevolution, which employs evolutionary algorithms to construct artificial neural networks or optimise their parameters. The goal of the project is to design and implement an evolutionary algorithm which can be used in the process of designing and optimizing topologies of convolutional neural networks. The effectiveness of the proposed framework was experimentally evaluated on tasks of image classification on datasets MNIST and CIFAR10 and compared with relevant solutions. The results showed that neuroevolution has a potential to successfully find accurate and effective convolutional neural network architectures.
This work focuses on automatization of neural network design via the so-called neuroevolution, which employs evolutionary algorithms to construct artificial neural networks or optimise their parameters. The goal of the project is to design and implement an evolutionary algorithm which can be used in the process of designing and optimizing topologies of convolutional neural networks. The effectiveness of the proposed framework was experimentally evaluated on tasks of image classification on datasets MNIST and CIFAR10 and compared with relevant solutions. The results showed that neuroevolution has a potential to successfully find accurate and effective convolutional neural network architectures.
Description
Citation
BADÁŇ, F. Evoluční algoritmy v návrhu konvolučních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačové a vestavěné systémy
Comittee
doc. Dr. Ing. Otto Fučík (předseda)
doc. Ing. Zdeněk Vašíček, Ph.D. (místopředseda)
doc. Ing. Jiří Jaroš, Ph.D. (člen)
Ing. Tomáš Martínek, Ph.D. (člen)
prof. Ing. Tomáš Vojnar, Ph.D. (člen)
Doc. Ing. Valentino Vranić, Ph.D. (člen)
Date of acceptance
2019-06-17
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm " A ". Otázky u obhajoby: V práci je provedeno srovnání kvality získaných sítí vůči literatuře nicméně uvedené srovnání může být v neprospěch navrženého řešení díky omezení se na lineární topologii. Lze z literatury odvodit, kde je limit lineární topologie z pohledu kvality výsledné neuronové sítě vůči nelineárním strukturám (viz např. Skip Connections v CNN, Residual Connections v ResNet)? V práci je navržena fitness funkce agregující dvě kritéria - kvalitu a komplexitu. Nepovede takový přistup k předčasné konvergenci z důvodu protichůdnosti těchto kriterií?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení