but.committee	doc. Dr. Ing. Petr Hanáček (předseda) doc. Ing. František Zbořil, Ph.D. (místopředseda) doc. Ing. Jan Kořenek, Ph.D. (člen) Ing. Šárka Květoňová, Ph.D. (člen) doc. Ing. Michal Španěl, Ph.D. (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 otázku 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: 1. Proč nebyly experimenty provedeny na výpočetním stroji s GPU, který má vyšší počet výpočetních jednotek? Bylo to z důvodu časových možností anebo nebylo možné sehnat takový stroj?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Krčma, Martin	cs
dc.contributor.author	Tomko, Martin	cs
dc.contributor.referee	Zachariášová, Marcela	cs
dc.date.created	2015	cs
dc.description.abstract	Tato práce se věnuje implementaci aplikace pro simulaci neuronových sítí a její akceleraci za využití grafického procesoru. Aplikace se zaměřuje především na sítě typu Feedforward a jejich učení algoritmem Backpropagation, podporuje však i jiné typy sítí a umožňuje rozšíření o další učící algoritmy. Aplikace také umožňuje zavést do sítě různé poruchy struktury, což je možné využít pro testování odolnosti neuronových sítí vůči poruchám. Práce je implementována v jazyce C++ za využití OpenCL pro výpočty na GPU. Výsledky akcelerace učení algoritmem Backpropagation byly porovnány s volně dostupnou knihovnou FANN.	cs
dc.description.abstract	This thesis deals with the implementation of an application for artificial neural networks simulation and acceleration using a graphics processing unit. The computation and training of feedforward neural networks using the Backpropagation algorithm are the main focus of this thesis, but the application also supports other network types, and it makes it possible to extend the application with different training algorithms. Next, the application allows us to create neural networks with structural anomalies, and thus, to test the neural network's fault tolerance. The application is implemented in the C++ language, using OpenCL to manage GPU computation. The Backpropagation acceleration results were compared with the free open source library FANN.	en
dc.description.mark	D	cs
dc.identifier.citation	TOMKO, M. Akcelerované neuronové sítě na grafické kartě [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2015.	cs
dc.identifier.other	88576	cs
dc.identifier.uri	http://hdl.handle.net/11012/64140
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	strojové učení	cs
dc.subject	akcelerace	cs
dc.subject	GPU	cs
dc.subject	OpenCL	cs
dc.subject	C++	cs
dc.subject	Neural networks	en
dc.subject	machine learning	en
dc.subject	acceleration	en
dc.subject	GPU	en
dc.subject	OpenCL	en
dc.subject	C++	en
dc.title	Akcelerované neuronové sítě na grafické kartě	cs
dc.title.alternative	Accelerated Neural Networks on GPU	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2015-06-17	cs
dcterms.modified	2020-05-10-16:11:57	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	88576	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 18:53:24	en
sync.item.modts	2025.01.15 18:45:18	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Akcelerované neuronové sítě na grafické kartě

Files

Original bundle

Collections