but.committee	doc. Ing. František Zbořil, CSc. (předseda) doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda) Ing. Martin Hrubý, Ph.D. (člen) doc. Ing. Jiří Jaroš, Ph.D. (člen) Luděk Matyska (člen) Dr. Ing. Petr Peringer (člen)	cs
but.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 D. Otázky u obhajoby: Jaký vliv má na zrychlení velikost dávky? Jaká je úspěšnost vašeho odhadu zrychlení?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hradiš, Michal	cs
dc.contributor.author	Šlampa, Ondřej	cs
dc.contributor.referee	Sochor, Jakub	cs
dc.date.created	2017	cs
dc.description.abstract	Cílem této práce je navrhnou způsob jak zhodnotit výhodnost použití paralelního trénování neuronových sítí. V této práci jsem provedl analýzu paralelního trénování se zaměřením na délku trénování. Vycházím ze sekvenční délky trénování a délky přenosu vah po síti. Výsledkem této práce je návrh vzorců, které slouží k odhadu zrychlení na více výpočetních jednotkách. Tyto vzorce je možné použít na zjištění ideálního počtu pracovních jednotek pro trénování.	cs
dc.description.abstract	Aim of this thesis is to propose how to evaluate favourableness of parallel deep learning. In this thesis I analyze parallel deep learning and I focus on its length. I take into account gradient computation length and weight transportation length. Result of this thesis is proposal of equations, which can estimate the speedup on multiple workers. These equations can be used to determine ideal number of workers for training.	en
dc.description.mark	D	cs
dc.identifier.citation	ŠLAMPA, O. Paralelní trénování hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2017.	cs
dc.identifier.other	106290	cs
dc.identifier.uri	http://hdl.handle.net/11012/69598
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Neuronové sítě	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	trénování	cs
dc.subject	soft computing	cs
dc.subject	odhad délky výpočtu	cs
dc.subject	distribuovaný výpočet	cs
dc.subject	paralení výpočet	cs
dc.subject	počítačové sítě	cs
dc.subject	Tensorflow	cs
dc.subject	Python.	cs
dc.subject	Neural networks	en
dc.subject	convolutional neural networks	en
dc.subject	training	en
dc.subject	soft computing	en
dc.subject	computation length estimation	en
dc.subject	distributed computing	en
dc.subject	parallel computing	en
dc.subject	computer networks	en
dc.subject	Tensorflow	en
dc.subject	Python.	en
dc.title	Paralelní trénování hlubokých neuronových sítí	cs
dc.title.alternative	Parallel Deep Learning	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2017-06-22	cs
dcterms.modified	2020-05-10-16:12:57	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	106290	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:25:54	en
sync.item.modts	2025.01.17 13:16:16	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Paralelní trénování hlubokých neuronových sítí

Files

Original bundle

Collections