Dziļo neironu tīklu izmantošana un optimizācija mobilajās ierīcēs

Abstract

Bakalaura darba “Dziļo neironu tīklu izmantošana un optimizācija mobilajās ierīcēs” mērķis ir izpētīt, kā efektīvi pielāgot dziļo neironu tīklus mobilajai videi, izmantojot optimizācijas metodes, piemēram, apgriešanu (pruning), zināšanu destilāciju (distillation) un kvantizāciju (quantization). Darba gaitā tika izveidots klasifikācijas modelis, kas tiek salīdzināts ar dažādām tā optimizētām versijām, analizējot precizitāti, darbības ātrumu un resursu patēriņu uz mobilās ierīces. Eksperimenta rezultāti apliecina, ka, pareizi pielietojot optimizācijas metodes, iespējams būtiski samazināt modeļa izmēru un uzlabot izpildes efektivitāti, saglabājot vai pat uzlabojot modeļa precizitāti. Darbs pierāda, ka dziļo neironu tīklu optimizācija ir būtisks solis to veiksmīgai ieviešanai mobilajās platformās.

The aim of the bachelor thesis "Usage and optimization of deep neural networks in mobile devices" is to investigate how to efficiently adapt deep neural networks to mobile environments using optimization techniques such as pruning, knowledge distillation and quantization. The work includes the development of a classification model, which is compared with different optimized versions of it, analyzing accuracy, performance and resource consumption on a mobile device. The experimental results show that, if optimization techniques are applied correctly, it is possible to significantly reduce the size of the model and improve the performance efficiency, while maintaining or even improving the accuracy of the model. The work demonstrates that optimizing deep neural networks is an essential step for their successful implementation on mobile platforms.