Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Prediction of training time for deep neural networks in TensorFlow
KTH, Skolan för elektroteknik och datavetenskap (EECS).
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2018 (Engelska)Självständigt arbete på grundnivå (kandidatexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)Alternativ titel
Förutsägning av träningstider för djupa artificiella neuronnät i TensorFlow (Svenska)
Abstract [en]

Machine learning has gained a lot of interest over the past years and is now used extensively in various areas. Google has developed a framework called TensorFlow which simplifies the usage of machine learning without compromising the end result. However, it does not resolve the issue of neural network training being time consuming. The purpose of this thesis is to investigate with what accuracy training times can be predicted using TensorFlow. Essentially, how effectively one neural network in TensorFlow can be used to predict the training times of other neural networks, also in TensorFlow. In order to do this, training times for training different neural networks was collected. This data was used to create a neural network for prediction. The resulting neural network is capable of predicting training times with an average accuracy of 93.017%.

Abstract [sv]

Maskininlärning har fått mycket uppmärksamhet de senaste åren och används nu i stor utsträckning inom olika områden. Google har utvecklat ramverket TensorFlow som förenklar användningen av maskininlärning utan att kompromissa slutresultatet. Det löser dock inte problemet med att det är tidskrävande att träna neurala nätverk. Syftet med detta examensarbete är att undersöka med vilken noggrannhet träningstiden kan förutsägas med TensorFlow. Alltså, hur effektivt kan ett neuralt nätverk i TensorFlow användas för att förutsäga träningstiderna av andra neurala nätverk, även dessa i TensorFlow. För att göra detta samlades träningstider för olika neurala nätverk. Datan användes sedan för att skapa ett neuralt nätverk för förutsägelse. Det resulterande neurala nätverket kan förutsäga träningstider med en genomsnittlig noggrannhet på 93,017%.

Ort, förlag, år, upplaga, sidor
2018. , s. 28
Serie
TRITA-EECS-EX ; 2018:251
Nyckelord [en]
Machine Learning, TensorFlow
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:kth:diva-229423OAI: oai:DiVA.org:kth-229423DiVA, id: diva2:1212698
Utbildningsprogram
Civilingenjörsexamen - Datateknik
Handledare
Examinatorer
Tillgänglig från: 2018-08-29 Skapad: 2018-06-03 Senast uppdaterad: 2018-08-29Bibliografiskt granskad

Open Access i DiVA

bachelor-thesis(875 kB)183 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 875 kBChecksumma SHA-512
cd07de2ce55ba337e8173611e14ef776f0483cf846c742039caf2fb9d68a5f3c5fe407d28115da0c3753d0d9f8e4238f0d4924f5a5a8aa9abbccd02e707bf669
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Adlers, JacobPihl, Gustaf
Av organisationen
Skolan för elektroteknik och datavetenskap (EECS)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 183 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 1104 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf