Διαχείριση Πόρων σε Ετερογενείς Αρχιτεκτονικές με Εφαρμογή στο TensorFlow

Σοφιανίδης, Γεώργιος; Σοφιανίδης, Γεώργιος

dc.contributor.author	Σοφιανίδης, Γεώργιος	el
dc.contributor.author	Σοφιανίδης, Γεώργιος	en
dc.date.accessioned	2020-05-01T20:09:51Z
dc.date.available	2020-05-01T20:09:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50326
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18024
dc.rights	Default License
dc.subject	Κατανομή Πόρων	el
dc.subject	Υπολογιστική Νέφους	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Προγραμματισμός Εργασιών	el
dc.subject	Tensorflow	el
dc.subject	Resource Allocation	en
dc.subject	Cloud Computing	en
dc.subject	Optimization	el
dc.subject	Machine Learning	el
dc.subject	Neural Networks	el
dc.subject	Task Scheduling	el
dc.subject	Tensorflow	el
dc.title	Διαχείριση Πόρων σε Ετερογενείς Αρχιτεκτονικές με Εφαρμογή στο TensorFlow	el
dc.contributor.department	Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.type	bachelorThesis
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-11
heal.abstract	Στόχος της παρούσας διπλωματικής εργασίας είναι η παρουσίαση τρόπων με τους οποίους μπορούμε να επιλέξουμε τους κατάλληλους πόρους από μία δεξαμενή διαθέσιμων μηχανημάτων για την εκτέλεση μίας εφαρμογής, με έμφαση στις εφαρμογές νευρωνικών δικτύων. Για το σκοπό αυτό χρησιμοποιούμε την πλατφόρμα TensorFlow, όπου παρουσιάζουμε παράλληλα τους τρόπους με τους οποίους η εργασία μας μπορεί να κατανεμηθεί σε ένα σύνολο από πόρους με ετερογενείς αρχιτεκτονικές (GPUs, CPUs κ.α.).	el
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	129 σ.	el
heal.fullTextAvailability	false