Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorBroulím Jan, Ing. Ph.D.
dc.contributor.authorFarkaš, Martin
dc.contributor.refereeWeissar Petr, Ing. Ph.D.
dc.date.accepted2019-7-1
dc.date.accessioned2020-07-17T13:40:42Z-
dc.date.available2018-10-5
dc.date.available2020-07-17T13:40:42Z-
dc.date.issued2019
dc.date.submitted2019-6-13
dc.identifier78653
dc.identifier.urihttp://hdl.handle.net/11025/37360
dc.description.abstractTato práce se věnuje umělým neuronovým sítím a rychlosti jejich trénování. Teoretická část bakalářské práce popisuje historii umělých neuronových sítí, výhody grafických procesorů pro neuronové sítě, vybrané optimalizační algoritmy a strukturu konvolučních neuronových sítí. Sestavení neuronové sítě je řešeno použitím programovacího jazyku Python~3.7 s užitím knihoven Tensorflow a Keras. Porovnání rychlostí trénování je provedeno na trénovacích množinách MNIST a CIFAR-10. Získané výsledky ukazují výrazné zrychlení trénování pomocí GPU, i na jednoduchých problémech.cs
dc.formatViii s.,34 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.subjectumělé neuronové sítěcs
dc.subjectkonvoluční neuronové sítěcs
dc.subjecthluboké učenícs
dc.subjectgrafický procesorcs
dc.titleRealizace neuronové sítě s využitím grafických procesorůcs
dc.title.alternativeRealization of neural networks using Graphics Processing Unitsen
dc.typebakalářská prácecs
dc.thesis.degree-nameBc.cs
dc.thesis.degree-levelBakalářskýcs
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta elektrotechnickács
dc.thesis.degree-programElektrotechnika a informatikacs
dc.description.resultObhájenocs
dc.rights.accessopenAccessen
dc.description.abstract-translatedThis thesis deals with artificial neural networks and the speed of their training. The theoretical part of the thesis describes the history of artificial neural networks, the advantages of graphical processors for neural networks, selected optimization algorithms and the structure of convolutional neural networks. The neural network is constructed using the Python 3.7 programming language, using the Tensorflow and Keras libraries. Training speed comparisons are made on MNIST and CIFAR-10 datasets. The obtained results show a significant acceleration of neural network training using GPU, even on simple problems.en
dc.subject.translatedartificial neural networksen
dc.subject.translatedconvolutional neural networken
dc.subject.translateddeep learningen
dc.subject.translatedgraphic processing uniten
Vyskytuje se v kolekcích:Bakalářské práce / Bachelor´s works (KAE)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
zaverecna-prace.pdfPlný text práce5,56 MBAdobe PDFZobrazit/otevřít
078653_oponent.pdfPosudek oponenta práce823,18 kBAdobe PDFZobrazit/otevřít
078653_vedouci.pdfPosudek vedoucího práce843,12 kBAdobe PDFZobrazit/otevřít
078653_hodnoceni.pdfPrůběh obhajoby práce81,52 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/37360

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta elektrotechnická / Faculty of Electrical Engineering
  4. Katedra aplikované elektroniky a telekomunikací / Department of Applied Electronics and Telecommunications
  5. Bakalářské práce / Bachelor´s works (KAE)