Hluboké neuronové sítě pro prostředí superpočítače
| but.committee | doc. Ing. Vladislav Škorpil, CSc. (předseda) doc. Ing. Radim Burget, Ph.D. (místopředseda) Ing. Vojtěch Myška (člen) doc. Ing. Jiří Schimmel, Ph.D. (člen) Ing. David Grenar (člen) Ing. Marek Sikora (člen) | cs |
| but.defence | Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta. Existuje nějaký hardwarový parametr, který by přímo mohl ovlivnit přesnost výpočtu neuronové sítě? V kapitole 1.2 tvrdíte: "Dnešné systémy sú oveľa rýchlejšie v simulácií neurónov ako je samotný neurón v ľudskom tele.". Uveďte zdroj informace. Je DGX Station vhodný pro budoucí výzkum? Je možné výsledek práce shrnout do výsledného grafu? | cs |
| but.jazyk | slovenština (Slovak) | |
| but.program | Elektrotechnika, elektronika, komunikační a řídicí technika | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Burget, Radim | sk |
| dc.contributor.author | Bronda, Samuel | sk |
| dc.contributor.referee | Kolařík, Martin | sk |
| dc.date.accessioned | 2019-06-14T11:40:27Z | |
| dc.date.available | 2019-06-14T11:40:27Z | |
| dc.date.created | 2019 | cs |
| dc.description.abstract | Hlavným prínosom práce je optimalizácia hardvérovej konfigurácie pre výpočet neurónových sieti. Teoretická časť popisuje neurónové siete, frameworky hlbokého učenia a hardvérové možnosti. Ďalšia časť práce sa venuje implementácií výkonnostných testov, ktoré zahŕňajú aplikovanie modelov Inception V3 a ResNet. Modely siete sú aplikované na rôzne grafické karty a výpočetný hardvér. Výstupom diplomovej práce je implementovaný model siete Inception V3, ktorý skúma grafické karty a ich výkon, časovú náročnosť výpočtov a ich efektivitu. Model siete ResNet je aplikovaný do časti, ktorý skúma ostatné vplyvy na výpočet neurónových sieti ako použitý disk, operačná pamäť a pod. Každá praktická časť obsahuje diskusiu, kde sú vysvetlené poznatky k danej časti. V prípade merania spotreby bol identifikovaný nesúlad medzi deklaráciou výrobcom a nameranými hodnotami. | sk |
| dc.description.abstract | The main benefit of the work is the optimization of the hardware configuration for the calculation of neural networks. The theoretical part describes neural networks, deep learning frameworks and hardware options. The next part of the thesis deals with implementation of performance tests, which include application of Inception V3 and ResNet models. Network models are applied to various graphics cards and computing hardware. The output of the thesis is the implemented model of the network Inception V3, which examines the graphics cards and their performance, time-consuming calculations and their efficiency. The ResNet model is applied to a section that examines other impacts on neural network computing such as used disk, operating memory, and so on. Each practical part contains a discussion where the knowledge of the given part is explained. In the case of consumption measurement, a mismatch between the declaration by the manufacturer and the measured values was identified. | en |
| dc.description.mark | C | cs |
| dc.identifier.citation | BRONDA, S. Hluboké neuronové sítě pro prostředí superpočítače [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019. | cs |
| dc.identifier.other | 118170 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/177582 | |
| dc.language.iso | sk | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | grafické karty | sk |
| dc.subject | hardvér | sk |
| dc.subject | Inception V3 | sk |
| dc.subject | neurónové siete | sk |
| dc.subject | NVIDIA | sk |
| dc.subject | ResNet | sk |
| dc.subject | graphics cards | en |
| dc.subject | hardware | en |
| dc.subject | Inception V3 | en |
| dc.subject | neural networks | en |
| dc.subject | NVIDIA | en |
| dc.subject | ResNet | en |
| dc.title | Hluboké neuronové sítě pro prostředí superpočítače | sk |
| dc.title.alternative | Deep neural network for supercomputer environments | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2019-06-05 | cs |
| dcterms.modified | 2019-06-06-13:46:18 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta elektrotechniky a komunikačních technologií | cs |
| sync.item.dbid | 118170 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2021.11.12 11:14:13 | en |
| sync.item.modts | 2021.11.12 10:39:34 | en |
| thesis.discipline | Telekomunikační a informační technika | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikací | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |