Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Speed comparison of convolutional neural networks in TensorFlow
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesis
Abstract [en]

TensorFlow is an open-source library developed by Google for machine learning applications. It can be run in different environments such as desktop computers, servers or even browsers. For running TensorFlow on mobile devices there exist TensorFlow Mobile and the recently launched TensorFlow Lite. The latter is an improved version of the former, which claims to have several performance advantages over its predecessor and is meant to substitute it on the long run. This thesis presents an analysis of how the execution speed of a convolutional neural network varies depending on if it is being run in TensorFlow Lite or in TensorFlow Mobile. Such convolutional neural network is trained to analyze pictures of credit cards. In the thesis work the project is delimited by a set of requirements coming from the stakeholders and a system architecture which satisfies them is presented. The implementation of such system in the form of an application is described and the whole process is finally evaluated. This application is programmed to run the same network with both versions of TensorFlow and is installed on several devices to measure their performance by running some tests. The collected empirical data, which is presented and analysed, shows that TensorFlow Lite’s performance is still lower than its counterpart’s when running convolutional neural networks. This is due to the early stage of development of the library, which is not optimized enough yet.

Abstract [sv]

TensorFlow är en open-source programbibliotek utvecklat av Google för maskininlärningsapplikationer. Det kan användas i olika miljö såsom datorer, servrar eller webbläsare till och med. För att köra TensorFlow på mobilenheter finns det TensorFlow Mobile och den nyligen utsläppt TensorFlow Lite version som är en förbättrad version av den andra. Det påstås att ha flera prestationfördelar över dess företrädare och är menat att ersätta det. Denna uppsats presenterar en analys av hur exekveringshastighet av en convolutional neural network växlar beroende på om det körs med TensorFlow Lite eller TensorFlow Mobile. Sådant neuronät är tränat för att analysera kreditkort bilder. Examensarbetet är gränsat av några förutsättningar som kommer från delägarna och en systemarkitektur som motsvarar dem föreställes. Implementeringen av sådant system i form av en app beskrivs och hela processen värderas. Denna app programmerades för att köra samma nät med bägge TensorFlow versioner och installerades i flera enheter för att mäta dess prestation genom att utföra några tester. Den samlade datan, som presenteras, bevisar att TensorFlow Lites prestanda ligger fortfarande lägre än TensorFLow Mobile när de kör convolutional neural networks. Detta sker på grund av den tidiga utvecklingsståndet av programbiblioteket, som inte är optimerat ännu.

Place, publisher, year, edition, pages
2018. , p. 43
Series
TRITA-EECS-EX ; 2018:443
Keywords [en]
Machine Learning, TensorFlow Lite, Convolutional neural networks, Performance
Keywords [sv]
Maskininlärning, TensorFlow Lite, Neuronät, Prestation
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-254346OAI: oai:DiVA.org:kth-254346DiVA, id: diva2:1331028
Subject / course
Information and Communication Technology
Educational program
Master of Science in Engineering - Information and Communication Technology
Examiners
Available from: 2019-06-26 Created: 2019-06-26 Last updated: 2019-06-26Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 36 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf