|
|
Neuronové sítě na platformě AURIX
Smrčka, Michal ; Buchta, Luděk (oponent) ; Blaha, Petr (vedoucí práce)
Část této práce pojednává o dopředných neuronových sítích FNN a způsobu jejich vývoje pomocí MATLAB Deep Learning Toolboxu a API Keras v jazyce Python. Následně se práce zabývá převodem těchto sítí do jazyka C/C++ pomocí knihoven Keras2c, AIfES, TFLM a NNoM. Tento teoretický základ byl nezbytný pro navazující část, která je zaměřena na implementaci a testování natrénované FNN na platformě AURIX TC397 3.3V Application Kit. Tato FNN slouží k diagnostice PMS motoru za účelem detekce mezizávitového zkratu. V práci je blíže popsána konfigurace periferií GPT12 a GETH mikrokontroléru AURIX TC397, které byly využity v aplikaci pro testování FNN. S využitím knihovny Keras2c byla ověřena možnost spuštění inference na 2 jádrech mikrokontroléru AURIX a v rámci knihovny NNoM byla provedena kvantizace natrénované FNN. Nakonec bylo provedeno srovnání knihoven Keras2c, AIfES, TFLM a NNoM z hlediska jednoduchosti implementace, přesnosti klasifikace a rychlosti klasifikace na platformě AURIX.
|
|
|
Umělá inteligence na platrofmě nVIDIA Jetson
Batelka, Lukáš ; Kozovský, Matúš (oponent) ; Blaha, Petr (vedoucí práce)
Cílem této bakalářské práce je vytvoření, naučení a implementace umělé neuronové sítě ve vestavném zařízení NVIDIA Jetson Nano. V první části práce je popsán současný stav implementace umělé inteligence ve vestavných zařízeních. Následující část popisuje nástroje pro vývoj umělých neuronových sítí a možnosti jejich implementace v zařízení. Tyto nástroje jsou dále v práci použity pro vytvoření a natrénování umělé neuronové sítě, která má za cíl detekovat poruchu v předzpracovaných datech z měření na synchronním elektromotoru. Nakonec je popsán způsob provedené optimalizace natrénované neuronové sítě. Dosažené výsledky jsou shrnuty v závěru práce.
|
|
|
Neuronové sítě na platformě AURIX
Smrčka, Michal ; Buchta, Luděk (oponent) ; Blaha, Petr (vedoucí práce)
Část této práce pojednává o dopředných neuronových sítích FNN a způsobu jejich vývoje pomocí MATLAB Deep Learning Toolboxu a API Keras v jazyce Python. Následně se práce zabývá převodem těchto sítí do jazyka C/C++ pomocí knihoven Keras2c, AIfES, TFLM a NNoM. Tento teoretický základ byl nezbytný pro navazující část, která je zaměřena na implementaci a testování natrénované FNN na platformě AURIX TC397 3.3V Application Kit. Tato FNN slouží k diagnostice PMS motoru za účelem detekce mezizávitového zkratu. V práci je blíže popsána konfigurace periferií GPT12 a GETH mikrokontroléru AURIX TC397, které byly využity v aplikaci pro testování FNN. S využitím knihovny Keras2c byla ověřena možnost spuštění inference na 2 jádrech mikrokontroléru AURIX a v rámci knihovny NNoM byla provedena kvantizace natrénované FNN. Nakonec bylo provedeno srovnání knihoven Keras2c, AIfES, TFLM a NNoM z hlediska jednoduchosti implementace, přesnosti klasifikace a rychlosti klasifikace na platformě AURIX.
|
|
|
Umělá inteligence na platrofmě nVIDIA Jetson
Batelka, Lukáš ; Kozovský, Matúš (oponent) ; Blaha, Petr (vedoucí práce)
Cílem této bakalářské práce je vytvoření, naučení a implementace umělé neuronové sítě ve vestavném zařízení NVIDIA Jetson Nano. V první části práce je popsán současný stav implementace umělé inteligence ve vestavných zařízeních. Následující část popisuje nástroje pro vývoj umělých neuronových sítí a možnosti jejich implementace v zařízení. Tyto nástroje jsou dále v práci použity pro vytvoření a natrénování umělé neuronové sítě, která má za cíl detekovat poruchu v předzpracovaných datech z měření na synchronním elektromotoru. Nakonec je popsán způsob provedené optimalizace natrénované neuronové sítě. Dosažené výsledky jsou shrnuty v závěru práce.
|
host ::
RSS.