Συγκριτική μελέτη εναλλακτικής υλοποίησης βαθιάς μάθησης σε παράλληλα περιβάλλοντα
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.author | Μπεάζογλους, Ιωάννης | |
| dc.date.accessioned | 2018-11-05T09:57:04Z | |
| dc.date.available | 2018-11-05T09:57:04Z | |
| dc.date.issued | 2018-10-22 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11511 | |
| dc.description.abstract | Η παρούσα εργασία διερευνά συγκριτικά τις διαφορές εναλλακτικής υλοποίησης Βαθιάς Μάθησης αλγορίθμων σε παράλληλα περιβάλλοντα. Βρισκόμαστε στο τρίτο κύμα εξέλιξης Βαθείας Μάθησης με παρόντα τα Συνελικτικά Νευρωνικά Δίκτυα (Convolution Network) τα Big Data ( Μεγάλα σε όγκο Δεδομένα ) και την ανάπτυξη της τεχνολογίας υλικού με επεξεργαστές μονάδων γραφικών GPU. Λόγω των τελευταίων μπορούμε να ερευνήσουμε τα νευρωνικά δίκτυα Βαθιάς Μάθησης μια και οι βασικές λειτουργίες σε αυτές τις κάρτες γίνονται πολύ γρήγορα σε σχέση με τις κοινές CPU. Εξετάζουμε τα πιο ενεργά frameworks και επιλέγουμε τα καταλληλότερα με βάση την ταχύτητα, αξιοπιστία, φορητότητα, και στο χρόνο υλοποίησης του λογισμικού. | el |
| dc.format.extent | 65 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Συγκριτική μελέτη εναλλακτικής υλοποίησης βαθιάς μάθησης σε παράλληλα περιβάλλοντα | el |
| dc.title.alternative | Comparative study of alternative implementation of depth learning in parallel environments | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This paper explores comparatively the differences in alternative implementation of Deep Learning algorithms in parallel environments. We are in the third wave with Convolution Neural Networks and Big Data presenting and developing hardware technology with GPU graphics processors. Because of the latter, we can investigate the Neural Networks of Deep Learning as the basic functions on these cards are very fast in relation to common CPUs. We review the most active frameworks and choose the most appropriate ones based on speed, reliability, portability, and software implementation time. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Βαθιά μηχανική μάθηση | el |
| dc.subject.keyword | Βαθιά μάθηση | el |
| dc.subject.keyword | Βαθιά νευρωνικά δίκτυα | el |
| dc.subject.keyword | Αρχιτεκτονικές μάθησης | el |
| dc.subject.keyword | Deep learning algorithms | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Deep neural networks | el |
| dc.date.defense | 2018-10-25 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές