Πρόβλεψη χρόνου εκπαίδευσης νευρωνικών δικτύων μέσω πειραματικής αποτίμησης επίδοσης τελεστών σε κατανεμημένο περιβάλλον

Λαμπρινίδης Λέντελ, Βλαντισλάβ; Lamprinidis Lentel, Vlantislav

dc.contributor.author	Λαμπρινίδης Λέντελ, Βλαντισλάβ	el
dc.contributor.author	Lamprinidis Lentel, Vlantislav	en
dc.date.accessioned	2020-11-27T19:51:54Z
dc.date.available	2020-11-27T19:51:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52083
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19781
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Κατανεμημένα συστήματα	el
dc.subject	Παλινδρόμηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Machine learning	en
dc.subject	Neural networks	en
dc.subject	Distributed systems	en
dc.subject	Regression	en
dc.subject	Convolutional neural networks	en
dc.title	Πρόβλεψη χρόνου εκπαίδευσης νευρωνικών δικτύων μέσω πειραματικής αποτίμησης επίδοσης τελεστών σε κατανεμημένο περιβάλλον	el
heal.type	bachelorThesis
heal.classification	Επιστήμη Υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-14
heal.abstract	Τα τεχνητά νευρωνικά δίκτυα αποτελούν δημοφιλή τεχνική του τομέα της Μηχανικής Μάθησης, η οποία προσομοιώνει, ως ένα βαθμό, τον μηχανισμό μάθησης των βιολογικών οργανισμών. Τροφοδοτούνται με πληθώρα δεδομένων ώστε να εκπαιδευτούν, και, ύστερα, να πραγματοποιούν ποικίλες εργασίες, όπως είναι η αναγνώριση αντικειμένων σε μία φωτογραφία, ή ακόμα και η διάγνωση κάποιας ασθένειας. Παράλληλα, ο όγκος των δεδομένων, που συνεχώς αυξάνεται, έχει οδηγήσει στην στην ανάπτυξη πληθώρας κατανεμημένων συστημάτων εκπαίδευσης νευρωνικών δικτύων, με πιο δημοφιλή το TensorFlow και το PyTorch. Ωστόσο, οι ποικίλες διαθέσιμες επιλογές θέτουν ένα σημαντικό ερώτημα ως προς το ποια είναι η κατάλληλη επιλογή συστήματος για την εκπαίδευση του εκάστοτε δικτύου. Τέτοιου είδους ερωτήματα μπορούν να απαντηθούν με την υλοποίηση και χρήση κατάλληλων χρονοδρομολογητών, οι οποίοι παρέχουν πληροφορίες για την εκπαίδευσή τους, όπως, για παράδειγμα, ο εκτιμώμενος χρόνος εκτέλεσης. Στην παρούσα διπλωματική γίνεται υλοποίηση ενός συστήματος πρόβλεψης του χρόνου εκπαίδευσης νευρωνικών δικτύων σε κατανεμημένο περιβάλλον μέσω πειραματικών δεδομένων που αφορούν την επίδοση των επιμέρους τελεστών που το απαρτίζουν. Η πειραματική αξιολόγηση του συστήματος μας στο TensorFlow και το PyTorch έδειξε ότι μπορεί να εκτιμήσει με ικανοποιητική ακρίβεια, στις περισσότερες περιπτώσεις, τους χρόνους εκτέλεσης της κατανεμημένης εκπαίδευσης των νευρωνικών δικτύων. Συγκεκριμένα, η διάμεση τιμή του σφάλματος πρόβλεψης διαμορφώθηκε περίπου στο 19%, ενώ, σε μεγάλο ποσοστό των πειραμάτων, το σφάλμα κυμάνθηκε σε επίπεδα χαμηλότερα του 10%.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κωνσταντίνου, Ιωάννης	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	93 σ.	el
heal.fullTextAvailability	false