but.committee	doc. RNDr. Jitka Kreslíková, CSc. (předseda) doc. Ing. Jaroslav Zendulka, CSc. (místopředseda) Ing. David Bařina, Ph.D. (člen) doc. RNDr. Milan Češka, Ph.D. (člen) doc. Ing. Peter Chudý, Ph.D., MBA (člen) Doc. Ing. Ivan Polášek, Ph.D. (člen)	cs
but.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 B. Otázky u obhajoby: Jaké kroky je nutné provést pro aproximaci existujícího modelu neuronové sítě? Souvisí počet operací v aproximované konvoluční vrstvě s poklesem přesnosti celé sítě? (obrázky 5.7 a 5.8)	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Češka, Milan	en
dc.contributor.author	Matula, Tomáš	en
dc.contributor.referee	Mrázek, Vojtěch	en
dc.date.accessioned	2020-06-23T08:24:13Z
dc.date.available	2020-06-23T08:24:13Z
dc.date.created	2019	cs
dc.description.abstract	Táto práca sa zaoberá využitím aproximovaných obvodov v neurónových sieťach so zámerom prínosu energetických úspor. K tejto téme už existujú štúdie, avšak väčšina z nich bola príliš špecifická k aplikácii alebo bola demonštrovaná v malom rozsahu. Pre dodatočné preskúmanie možností sme preto skrz netriviálne modifikácie open-source frameworku TensorFlow vytvorili platformu umožňujúcu simulovať používanie approximovaných obvodov na populárnych a robustných neurónových sieťach ako Inception alebo MobileNet. Bodom záujmu bolo nahradenie väčšiny výpočtovo náročných častí konvolučných neurónových sietí, ktorými sú konkrétne operácie násobenia v konvolučnách vrstvách. Experimentálne sme ukázali a porovnávali rozličné varianty a aj napriek tomu, že sme postupovali bez preučenia siete sa nám podarilo získať zaujímavé výsledky. Napríklad pri architektúre Inception v4 sme získali takmer 8% úspor, pričom nedošlo k žiadnemu poklesu presnosti. Táto úspora vie rozhodne nájsť uplatnenie v mobilných zariadeniach alebo pri veľkých neurónových sieťach s enormnými výpočtovými nárokmi.	en
dc.description.abstract	This thesis is concerned with the utilization of approximate circuits in neural networks to provide energy savings. Various studies showing interesting results already exist, but most of them were very application specific or demonstrated on a small scale. To take this further, we created a platform by nontrivial modifications of robust open-source framework Tensorflow allowing us to simulate approximate computing on known state-of-the-art neural networks e.g. Inception or MobileNet. We focused only on replacement of most computationally expensive parts of convolutional neural networks, which are multiplication operations in convolution layers. We experimentally demonstrated and compared various setups and even that we proceeded without relearning, we were able to obtain promising results. For example, with zero accuracy loss on Inception v4 architecture, we gained almost 8% energy savings which could be valuable, especially in low-power devices or in large neural networks with enormous computational demands.	cs
dc.description.mark	B	cs
dc.identifier.citation	MATULA, T. Využití aproximovaných aritmetických obvodů v neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	122221	cs
dc.identifier.uri	http://hdl.handle.net/11012/180437
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	umelá inteligencia	en
dc.subject	neurónové siete	en
dc.subject	aproximované obvody	en
dc.subject	qvantizácia	en
dc.subject	energetická úspora	en
dc.subject	TensorFlow	en
dc.subject	Inception	en
dc.subject	MobileNet	en
dc.subject	artificial intelligence	cs
dc.subject	neural networks	cs
dc.subject	approximate circuits	cs
dc.subject	quantization	cs
dc.subject	energy savings	cs
dc.subject	TensorFlow	cs
dc.subject	Inception	cs
dc.subject	MobileNet	cs
dc.title	Využití aproximovaných aritmetických obvodů v neuronových sítí	en
dc.title.alternative	Exploiting Approximate Arithmetic Circuits in Neural Networks Inference	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2019-06-17	cs
dcterms.modified	2019-07-08-13:31:34	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	122221	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.22 23:09:54	en
sync.item.modts	2021.11.22 22:13:52	en
thesis.discipline	Management a informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Využití aproximovaných aritmetických obvodů v neuronových sítí

Files

Original bundle

Collections