Ανασκόπηση νευρωνικών δικτύων και βαθιάς μηχανικής μάθησης και σχεδιάση και υλοποίηση νευρωνικού δικτύου βαθιάς μηχανικής μάθησης με χρήση Cuda C.
Φόρτωση...
Ημερομηνία
2023-07-14
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρονικών Μηχανικών
Η.Μ.U, School of Engineering (ScENG), Electronic Engineering Dept.
Η.Μ.U, School of Engineering (ScENG), Electronic Engineering Dept.
Επιβλέπων
Περίληψη
Η Μετάβαση απο τον σειριακό κώδικα σε παράλληλο σε συνδιασμό με εφαρμογές με
μεγάλα δεδομένα γέννησε τον ετερογενή παράλληλο προγραμματισμό. Αυτός αξιοποιεί
τόσο το CPU όσο και την κάρτα γραφικών αναθέτοντας στην τελευταία παράλληλες
διεργασίες ενώ στο CPU τις σειριακές. Η τεχνολογία CUDA δηλαδή η παράλληλη αρχι τεκτονική των καρτών γραφικών επιτρέπει την εξομοίωση νευρωνικών δικτύων τα οποία
επίσης χαρακτηρίζονται απο παράλληλη αρχιτεκτονική . Η παρούσα διπλωματική
εργασία με χρήση CUDA C υλοποιεί την αρχιτεκτονική ενός σύνθετου νευρωνικού
δικτύου βαθιάς μηχανικής μάθησης.
The transition from the serial code in parallel combined with applications with large data gave birth to the heterogeneous parallel programming. He leverages both the CPU and graphics card instructing the last parallel processes while the CPU serial. CUDA technology i.e. the parallel master-Masonic graphics card allows the simulation of neural networks which also featured from parallel architecture. The present thesis using CUDA C implements the architecture of a complex neural network of deep learning engineering.
The transition from the serial code in parallel combined with applications with large data gave birth to the heterogeneous parallel programming. He leverages both the CPU and graphics card instructing the last parallel processes while the CPU serial. CUDA technology i.e. the parallel master-Masonic graphics card allows the simulation of neural networks which also featured from parallel architecture. The present thesis using CUDA C implements the architecture of a complex neural network of deep learning engineering.