|
|
Modelování akcelerátorů neuronových sítí
Klhůfek, Jan ; Sekanina, Lukáš (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této diplomové práce je zaměřit se na modelování akcelerátorů neuronových sítí s HW podporou kvantizace. Práce nejprve přibližuje koncept výpočtu konvolučních neuronových sítí (CNN) a představuje kategorie různých hardwarových architektur, které slouží k jejich zpracování. Následně jsou shrnuty optimalizační techniky modelů CNN, jejichž cílem je dosáhnout efektivního zpracování na specializovaných hardwarových architekturách. Další část práce obsahuje porovnání existujících analytických nástrojů, jež slouží k odhadu výkonnostních parametrů HW při inferenci, a které jsou rozšiřitelné o implementaci podpory kvantizace. Na základě experimentálního porovnání byl pro účely této práce vybrán nástroj Timeloop. Dále je představen popis fungování tohoto nástroje spolu s návrhem a implementací jeho rozšíření o podporu kvantizace. V závěru práce jsou experimentálně otestovány důsledky různých konfigurací kvantizace na vyhodnocené parametry inference u různých hardwarových architektur.
|
|
|
Stanovení krevního tlaku pomocí chytrého telefonu
Šíma, Jan ; Vítek, Martin (oponent) ; Němcová, Andrea (vedoucí práce)
Tato diplomová práce popisuje experimentální bezmanžetové měření systolického (SBP – Systolic blood pressure) a diastolického krevního tlaku (DBP – Diastolic blood pressure), a to pouze pomocí chytrého telefonu. K odhadu krevního tlaku (BP – blood pressure) byl použit fotopletysmografický signál (PPG – Photopletysmography), který byl měřený kamerou chytrého telefonu a fonokardiografický signál (PCG – Phonocardiography), který byl snímaný externím mikrofonem v oblasti mitrální chlopně. Odhad BP byl rozdělen na 2 části. První bylo regresní stanovení BP a srovnání několika metod strojového učení (MLR – Machine learning) a konvolučních neuronových sítí (CNN – Convolution neural network) podle využití barevného kanálu k extrakci PPG z videozáznamu. Druhou částí bylo klasifikační zařazení BP do kategorie normotenze nebo hypertenze. Signál PPG byl pro extrakci filtrován pomocí pásmové propusti s konečnou impulsní charakteristikou (FIR – Finite impulse response) s mezními kmitočty (0,5–5 Hz) s následnou extrakcí příznaků. Pro odečet příznaků doby cévního přenosu krevního pulzu (VTT – Vascular transit time) a ejekčního času srdce (ET – Ejection time) byly v signálu PCG detekovány dvě hlavní srdeční ozvy S1 a S2. Dále byly pro metody CNN využity surové úseky signálů PPG (RGB kanály videa) a PCG o různých časových délkách. Mezi regresními přístupy byla nejpřesnějším algoritmem metoda podpůrných vektorů (SVR – Support vector regression), která dosahovala podle standardů Association for the Advancement of Medical Instrumentation (AAMI) a British Hypertension Society (BHS) v rámci experimentální práce přijatelné chyby. Hodnota průměrné absolutní chyby (MAE – Mean absolute error) byla pro SBP stanovena 7,64±6,87 mmHg a pro DBP 5,07±4,88 mmHg. Jako nejvhodnější barevný kanál pro extrakci PPG z videozáznamu pro regresní odhad BP byl vyhodnocen červený kanál. Pro klasifikaci se ukázal jako nejspolehlivější algoritmus AdaBoost se slabými klasifikátory náhodný les. Ten dosahoval přesnosti F1 skóre necelých 80 % na příznacích PPG z kombinace červeného a zeleného barevného kanálu videozáznamu.
|
host ::
RSS.