dc.contributor.author | Παύλου, Μαγδαληνή![]() |
el |
dc.contributor.author | Pavlou, Magdalini![]() |
en |
dc.date.accessioned | 2023-04-06T07:30:52Z | |
dc.date.available | 2023-04-06T07:30:52Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/57491 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.25188 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Βαθιά μάθηση | el |
dc.subject | Αλγόριθμοι συμπίεσης | el |
dc.subject | Κλάδεμα | el |
dc.subject | Ομαδοποίηση | el |
dc.subject | Κβαντοποίηση | el |
dc.subject | Deep learning | en |
dc.subject | Compression algorithms | el |
dc.subject | Pruning | el |
dc.subject | Clustering | el |
dc.subject | Quantization | el |
dc.title | Μελέτη και Αξιολόγηση Μεθόδων Συμπίεσης Βαθιών Νευρωνικών Δικτύων | el |
heal.type | bachelorThesis | |
heal.classification | Βαθιά μάθηση | el |
heal.classification | Νευρωνικά δίκτυα | el |
heal.classification | Αλγόριθμοι συμπίεσης | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-02-23 | |
heal.abstract | Η εκτέλεση μοντέλων νευρωνικών δικτύων τοπικά, σε μια συσκευή, είναι ωφέλιμη, τόσο σε θέματα ιδιωτικότητας, όσο και στην αποφυγή επιπλέον καθυστερήσεων, που θα οφείλονταν στη μεταφορά των δεδομένων από και προς έναν απομακρυσμένο εξυπηρετητή. Στη σημερινή εποχή, τα μοντέλα νευρωνικών δικτύων που χρησιμοποιούνται στις σύγχρονες εφαρμογές έχουν σημαντικά υψηλή απόδοση, η οποία σε προβλήματα όπως η ταξινόμηση, μπορεί ακόμα να συγκριθεί ή και να ξεπεράσει την ανθρώπινη. Για να επιτευχθεί όμως η επιθυμητή αυτή ακρίβεια, ο αριθμός των παραμέτρων που περιέχουν τα εν λόγω μοντέλα είναι αρκετά μεγάλος και αυτό έχει αρνητικές συνέπειες, τόσο στο υπολογιστικό κόστος, αφού ο αριθμός των πράξεων που εκτελούνται είναι τεράστιος, όσο και στο χώρο που αυτά καταλαμβάνουν σε μια συσκευή. Σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη και αξιολόγηση αλγορίθμων βελτιστοποίησης νευρωνικών δικτύων, όπως η κβαντοποίηση, το κλάδεμα και η ομαδοποίηση ή και συνδυασμών αυτών, οι οποίοι αποσκοπούν στη μείωση του χώρου που καταλαμβάνουν τα μοντέλα και του χρόνου απόκρισής τους κατά την εκτέλεση της συμπερασματολογίας, επιτυγχάνοντας ταυτόχρονα τη μικρότερη δυνατή πτώση στην ακρίβεια. Για τις ανάγκες των πειραμάτων που διεξήχθησαν, συγκεντρώθηκε ένας αριθμός από συνελικτικά μοντέλα που επιλύουν το πρόβλημα της κατηγοριοποίησης εικόνων, τα οποία είναι ήδη εκπαιδευμένα στο σύνολο δεδομένων ImageNet, στο οποίο οι εικόνες αντιστοιχίζονται σε 1000 κλάσεις. Οι μετρήσεις που πάρθηκαν κατά τη διάρκεια της διπλωματικής εργασίας αφορούν την ακρίβεια, το μέγεθος, το πλήθος των πράξεων κινητής υποδιαστολής και το χρόνο εκτέλεσης των μοντέλων πριν και μετά την εφαρμογή των αλγορίθμων σε αυτά, για διάφορες τιμές των παραμέτρων που αντιστοιχούν σε καθέναν από αυτούς. Με βάση τα τελικά αποτελέσματα, προκύπτει το συμπέρασμα ότι οι υπό μελέτη αλγόριθμοι συμπίεσης παρουσιάζουν ποικίλα πλεονεκτήματα, όσον αφορά το μέγεθος και τον χρόνο απόκρισης των μοντέλων, χωρίς να διακυβεύεται σημαντικά η ακρίβειά τους. Μια τέτοια παρατήρηση είναι ζωτικής σημασίας, καθώς επιτρέπει την καθιέρωση ενός κριτηρίου που μπορεί να χρησιμοποιηθεί για τον προσδιορισμό του καταλληλότερου αλγόριθμου συμπίεσης και των βέλτιστων παραμέτρων του, ανάλογα με τις απαιτήσεις επιτάχυνσης και συμπίεσης του προβλήματος, το οποίο, στη δική μας περίπτωση, είναι κάποια εφαρμογή για έξυπνες κινητές συσκευές. | el |
heal.advisorName | Βενιέρης, Ιάκωβος | el |
heal.committeeMemberName | Βενιέρης, Ιάκωβος | el |
heal.committeeMemberName | Συμβώνης, Αντώνιος | el |
heal.committeeMemberName | Κακλαμάνη, Δήμητρα Θεοδώρα | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 127 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: