but.committee	prof. Ing. Tomáš Vojnar, Ph.D. (předseda) prof. RNDr. Alexandr Meduna, CSc. (místopředseda) doc. Mgr. Jaroslav Hrdina, Ph.D. (člen) Ing. Martin Hrubý, Ph.D. (člen) RNDr. Marek Rychlý, Ph.D. (člen) doc. Ing. František Zbořil, 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: Any suggestions on how these binarized NN models can be scaled to large-scale datasets ? What were the glitches in the current implementation which lead to degradation in performance compared to full-precision models (From results in Chaper-6) ?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Szőke, Igor	cs
dc.contributor.author	Slouka, Lukáš	cs
dc.contributor.referee	Baskar, Murali Karthick	cs
dc.date.accessioned	2018-10-21T20:55:17Z
dc.date.available	2018-10-21T20:55:17Z
dc.date.created	2018	cs
dc.description.abstract	Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.	cs
dc.description.abstract	The subject of this thesis is neural network acceleration with the goal of reducing the number of floating point multiplications. The theoretical part of the thesis surveys current trends and methods used in the field of neural network acceleration. However, the focus is on the binarization techniques which allow replacing multiplications with logical operators. The theoretical base is put into practice in two ways. First is the GPU implementation of crucial binary operators in the Tensorflow framework with a performance benchmark. Second is an application of these operators in simple image classifier. Results are certainly encouraging. Implemented operators achieve speed-up by a factor of 2.5 when compared to highly optimized cuBLAS operators. The last chapter compares accuracies achieved by binarized models and their full-precision counterparts on various architectures.	en
dc.description.mark	B	cs
dc.identifier.citation	SLOUKA, L. Implementace neuronové sítě bez operace násobení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114558	cs
dc.identifier.uri	http://hdl.handle.net/11012/85000
dc.language.iso	cs	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	dopredná neurónová sieť	cs
dc.subject	konvolučná neurónová sieť	cs
dc.subject	binarizácia	cs
dc.subject	kvantizácia	cs
dc.subject	akcelerácia neurónovej siete	cs
dc.subject	XNOR-sieť	cs
dc.subject	BinaryConnect	cs
dc.subject	BinaryNet	cs
dc.subject	AlexNet	cs
dc.subject	ImageNet	cs
dc.subject	MNIST	cs
dc.subject	CIFAR-10	cs
dc.subject	SVHN	cs
dc.subject	TensorFlow	cs
dc.subject	násobenie matíc	cs
dc.subject	CUDA	cs
dc.subject	GPU	cs
dc.subject	feedforward network	en
dc.subject	convolutional neural network	en
dc.subject	binarization	en
dc.subject	quantization	en
dc.subject	neural network acceleration	en
dc.subject	XNOR-network	en
dc.subject	BinaryConnect	en
dc.subject	BinaryNet	en
dc.subject	AlexNet	en
dc.subject	ImageNet	en
dc.subject	MNIST	en
dc.subject	CIFAR-10	en
dc.subject	SVHN	en
dc.subject	TensorFlow	en
dc.subject	matrix multiplication	en
dc.subject	CUDA	en
dc.subject	GPU	en
dc.title	Implementace neuronové sítě bez operace násobení	cs
dc.title.alternative	Neural Network Implementation without Multiplication	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2018-06-15	cs
dcterms.modified	2020-05-10-16:12:49	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114558	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.10 14:16:43	en
sync.item.modts	2021.11.10 13:18:25	en
thesis.discipline	Matematické metody v informačních technologiích	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Implementace neuronové sítě bez operace násobení

Files

Original bundle

Collections