Trénování neuronové sítě

Bc. Gennadij Strionov

Bakalářská práce

Neural Network Training

Anotace:

Cílem této bakalářské práce je naučit konvoluční neuronovou sít na základě modelu AlexNet z roku 2012 rozpoznávat různé objekty na digitálním snímku. Jako předměty pro rozpoznání byly zvoleny vybrané dopravní značky. V této práci budou použita nejnovější architektura paralelního výpočtu pro grafické procesory CUDA 8.0 a knihovna pro zrychlení iterací umělých neuronových sítí cuDNN. Pro každý objekt bude přiděleno zhruba 1000 vzorků k učení, které bude nastaveno na 350000 až 450000 iterací. Vedlejším cílem práce je snaha vysvětlit na co nejjednodušších příkladech práci algoritmů Hebbianova učení a zpětného propagování chyby za použití gradientního sklonu. Dále budou uvedeny ilustrační příklady filtrů a výstupy z jednotlivých konvolučních vrstev a na závěr porovnání rychlosti výpočtu grafického procesoru NVIDIA GTX 950 a hlavního procesoru počítače při práci s umělou neuronovou síti. Hlavní přínos této práce spočívá v naučení stroje rozpoznávat dopravní značky pro pozdější integraci v dopravním průmyslu nebo softwaru pro lidi se zrakovou vadou.

Abstract:

The aim for this work is to teach convolutional neural network based on model AlexNet from year 2012 to recognize different objects in digital pictures. As the target for recognition some road signs were selected. The main contribution consists of teaching machine to recognize road signs for later integration to transport industry or special software for people that have eye troubles and visual defects.

Klíčová slova

hebbianovo učení, zpětná propagace chyby, konvoluce, hluboké učení, hebbian learning, backpropagation, convolution, deep-learning

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 3. 5. 2017

Obhajoba závěrečné práce

• Obhajoba proběhla 19. 6. 2017
• Vedoucí: RNDr. Jan Lánský, Ph.D.
• Oponent: Mgr. Přemysl Čech

Vysoká škola finanční a správní

Bakalářský studijní program / obor:
Informatika / Aplikovaná informatika