|
Akcelerace neuronových sítí s využitím GPU
Šimíček, Ondřej ; Jaroš, Jiří (oponent) ; Petrlík, Jiří (vedoucí práce)
Tato práce se zabývá využitím grafických čipů pro akceleraci neuronových sítí s učením typu backpropagation. Pro řešení tohoto problému byla zvolena technologie OpenCL umožňující využít grafické čipy různých výrobců. Hlavním cílem práce byla akcelerace časově náročného procesu učení sítí a procesu klasifikace. Zrychlení bylo docíleno trénováním velkého množství neuronových sítí současně. Získané zrychlení bylo využito pro nalezení vhodné topologie a nastavení neuronové sítě pro zadanou úlohu pomocí genetického algoritmu.
|
|
Klient protokolu Hot Rod pro C++
Šimíček, Ondřej ; Očenášek, Pavel (oponent) ; Smrčka, Aleš (vedoucí práce)
V dnešní době je velký zájem o distribuovaná úložiště poskytující velkou kapacitu, dostupnost a spolehlivost. Tato bakalářská práce popisuje distribuované úložiště Infinispan projektu a jeho vlastní Hot Rod protokol. Hlavním cílem práce je vytvoření objektového návrhu a implementace chybějícího klienta protokolu Hot Rod v C++, který bude kompatibilní s již existujícím Java klientem, a jeho začlenění zpět do Infinispan projektu.
|
|
Klient protokolu Hot Rod pro C++
Šimíček, Ondřej ; Očenášek, Pavel (oponent) ; Smrčka, Aleš (vedoucí práce)
V dnešní době je velký zájem o distribuovaná úložiště poskytující velkou kapacitu, dostupnost a spolehlivost. Tato bakalářská práce popisuje distribuované úložiště Infinispan projektu a jeho vlastní Hot Rod protokol. Hlavním cílem práce je vytvoření objektového návrhu a implementace chybějícího klienta protokolu Hot Rod v C++, který bude kompatibilní s již existujícím Java klientem, a jeho začlenění zpět do Infinispan projektu.
|
|
Akcelerace neuronových sítí s využitím GPU
Šimíček, Ondřej ; Jaroš, Jiří (oponent) ; Petrlík, Jiří (vedoucí práce)
Tato práce se zabývá využitím grafických čipů pro akceleraci neuronových sítí s učením typu backpropagation. Pro řešení tohoto problému byla zvolena technologie OpenCL umožňující využít grafické čipy různých výrobců. Hlavním cílem práce byla akcelerace časově náročného procesu učení sítí a procesu klasifikace. Zrychlení bylo docíleno trénováním velkého množství neuronových sítí současně. Získané zrychlení bylo využito pro nalezení vhodné topologie a nastavení neuronové sítě pro zadanou úlohu pomocí genetického algoritmu.
|