Návrh prediktorů přesnosti pro konvoluční neuronové sítě
Loading...
Date
Authors
Šmída, Šimon
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cieľom tejto práce je predstaviť metódu na konštrukciu prediktorov presnosti pre konvolučné neurónové siete s využitím databáz natrénovaných konvolučných neurónových sietí (NAS-Bench-101) a uplatnením techník strojového učenia ako stratégií na odhad výkonnosti. Štúdia začína popisom rôznych metód strojového učenia použitých pri budovaní prediktorov presnosti, nasledujúc preskúmaním konvolučných neurónových sietí a databáz predtrénovaných konvolučných neurónových sietí. Navrhovaná metóda spočíva vo výbere vhodnej úlohy pre konvolučných neurónových sietí (klasifikácia obrázkov), zostavení dátovej sady, definovaní relevantných príznakov ako vstup prediktorov a vo výbere piatich metód strojového učenia na trénovanie prediktorov. S využitím existujúcich knižníc sú prediktory presnosti implementované, natrénované a experimentálne overené na posúdenie ich funkčnosti a výkonnosti. Výsledky sú dôkladne ohodnotené, validované a poskytujú pohľad do efektívnosti navrhovanej metódy a potenciál ďalšieho vylepšenia v oblasti predpovedania presnosti konvolučných neurónových sietí.
The aim of this thesis is to present a method of constructing accuracy predictors for convolutional neural networks (CNNs) by leveraging databases of trained CNNs (NAS-Bench-101) and employing machine learning (ML) techniques as performance estimation strategies. The study begins with a description of various ML methods used in building CNN accuracy predictors, followed by an in-depth examination of CNNs and databases of pre-trained CNNs. The proposed method involves selecting a suitable task for the CNNs (image classification), assembling a dataset, defining relevant features for the predictor input, and choosing five ML methods for training the predictors. Using existing libraries, the accuracy predictors are implemented, trained, and experimentally validated to assess their functionality and performance. The results are thoroughly evaluated, providing insights into the effectiveness of the proposed method and the potential for further refinement in the field of CNN accuracy prediction.
The aim of this thesis is to present a method of constructing accuracy predictors for convolutional neural networks (CNNs) by leveraging databases of trained CNNs (NAS-Bench-101) and employing machine learning (ML) techniques as performance estimation strategies. The study begins with a description of various ML methods used in building CNN accuracy predictors, followed by an in-depth examination of CNNs and databases of pre-trained CNNs. The proposed method involves selecting a suitable task for the CNNs (image classification), assembling a dataset, defining relevant features for the predictor input, and choosing five ML methods for training the predictors. Using existing libraries, the accuracy predictors are implemented, trained, and experimentally validated to assess their functionality and performance. The results are thoroughly evaluated, providing insights into the effectiveness of the proposed method and the potential for further refinement in the field of CNN accuracy prediction.
Description
Citation
ŠMÍDA, Š. Návrh prediktorů přesnosti pro konvoluční neuronové sítě [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Informační technologie
Comittee
prof. Ing. Lukáš Sekanina, Ph.D. (předseda)
doc. Ing. Jan Kořenek, Ph.D. (člen)
Ing. Filip Orság, Ph.D. (člen)
Ing. Libor Polčák, Ph.D. (člen)
Ing. Michal Hradiš, Ph.D. (člen)
Date of acceptance
2023-06-14
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 A.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení