dc.contributor.author | Τσατσαρώνης, Ευστράτιος![]() |
el |
dc.contributor.author | Tsatsaronis, Efstratios![]() |
en |
dc.date.accessioned | 2018-02-01T11:12:43Z | |
dc.date.available | 2018-02-01T11:12:43Z | |
dc.date.issued | 2018-02-01 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/46371 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.15112 | |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
dc.subject | Συνελικτικά δίκτυα | el |
dc.subject | Επίδοση | en |
dc.subject | GEMM | en |
dc.subject | Convolutional networks | en |
dc.subject | Memory | en |
dc.subject | Execution time | en |
dc.subject | Convolutional neuron networks | en |
dc.subject | Performance | en |
dc.subject | Caffe | en |
dc.subject | Multicore systems | en |
dc.subject | Gemm | en |
dc.subject | Computer vision applications | en |
dc.subject | Direct convolution | en |
dc.title | Ανάλυση επίδοσης συνελικτικών νευρωνικών δικτύων σε πολυπύρηνα συστήματα | el |
heal.type | bachelorThesis | |
heal.classification | Επιστήμη υπολογιστών | el |
heal.classification | Πληροφορική | el |
heal.classification | Ανάλυση | el |
heal.classificationURI | http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2017-10 | |
heal.abstract | Η Βαθιά Μηχανική Μάθηση που εκφράζεται κυρίως μέσω των Βαθέων Νευρωνικών Δικτύων αποτελεί έναν πολύ διάσημο κλάδο της Επιστήμης Υπολογιστών. Η ικανότητα της να επιλύει προβλήματα που με τον συμβατικό προγραμματισμό θα ήταν αδύνατο να αντιμετωπιστούν την καθιστά ένα πολύ σπουδαίο εργαλείο. Όμως, τόσο η εφαρμογή όσο και η εκπαίδευσή τους αποτελούν πολύ κοπιαστικές και απαιτητικές διαδικασίες σε υπολογιστική ικανότητα και αποθηκευτική δυνατότητα. Παρόλο που, αρχικά, η χρήση Καρτών Γραφικών έδωσε πνοή στην υλοποίηση τους, τελικά το οικονομικό κόστος αυτών αλλά και η ανάγκη για εφαρμογή των Βαθέων Νευρωνικών Δίκτύων σε απλούστερες συσκευές μας οδήγησε στην περαιτέρω διερεύνηση των δυνατοτήτων που μας προσφέρουν οι επεξεργαστές. Θέμα της παρούσας διπλωματικής εργασίας είναι η δημιουργία, εφαρμογή και σύγκριση μιας σειράς τεχνικών υλοποίησης των πλεόν απαιτητικών τμημάτων των Βαθέων Νευρωνικών Δικτύων: των Συνελικτικών Επιπέδων που βασίζονται στον δυσδιάστατο πολλαπλασιασμό πινάκων, με τελικό σκοπό την δημιουργία ενός συνόλου κανόνων επιλογής της κατάλληλης τεχνικής για κάθε επίπεδο του δικτύου, με βάση ορισμένα κριτήρια (ταχύτητα, μνήμη, αριθμός πράξεων). Ταυτόχρονα, θα διερευνήσουμε και τις δυνατότητες παραλληλοποίησης της Απευθείας Συνέλιξης ώστε να έχουμε μία εικόνα σύγκρισης με τις προηγούμενες τεχνικές. | el |
heal.abstract | Deep Machine Learning, which is mainly expressed via the Deep Neural Networks, is a very popular field in Computer Science. The fact that they can solve many problems, which they would be very difficult to be solved using the conventional programming, makes it a very important tool. However, both their inference and their training are very tiring and demanding procedures in computing power and storage capability. Although, initially, the use of graphics cards gave impetus to implementing them, eventually their financial cost as well as the need for application of deep Neural Networks in simplest devices led us to further explore the possibilities offered by the processors. Subject of this thesis is the creation, implementation and comparison of a series of technical realisation of the most demanding sections of deep Neural Networks: the Convolutional Layers, based on two-dimensional matrixes’ multiplication, with the ultimate aim of creating a set of rules for the selection of appropriate technique for each layer of the network, based on certain criteria (speed, memory, number of operations). Simultaneously, we will investigate and the parallelism’s possibilities of the Direct Convolution to an image comparison with the previous techniques. | en |
heal.advisorName | Γκούμας, Γεώργιος | el |
heal.committeeMemberName | Κοζύρης, Νεκτάριος | el |
heal.committeeMemberName | Παπασπύρου, Νικόλαος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 126 σ. | |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: