Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Performance landscape of CNN acceleration tools and resource constrained platforms

Miliadis Panagiotis

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/D2FD3227-CA1F-4EF7-9FB3-9BA5A04CA1CE-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.82994-
Γλώσσαen-
Μέγεθος89 pagesen
ΤίτλοςPerformance landscape of CNN acceleration tools and resource constrained platformsel
ΤίτλοςΑξιολόγηση της απόδοσης των εργαλείων επιτάχυνσης των συνελικτικών νευρωνικών δικτύων και των πλατφορμών περιορισμένων πόρωνel
ΔημιουργόςMiliadis Panagiotisen
ΔημιουργόςΜηλιαδης Παναγιωτηςel
Συντελεστής [Επιβλέπων Καθηγητής]Pnevmatikatos Dionysiosen
Συντελεστής [Επιβλέπων Καθηγητής]Πνευματικατος Διονυσιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Dollas Apostolosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δολλας Αποστολοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Theodoropoulos Dimitriosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Θεοδωροπουλος Δημητριοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηOver the last years, a rapid growth in the development of applications that are based on Convolutional Neural Networks is observed. Despite of the large advances in processor units, the use of computer vision tasks is still challenging in resource constrained platforms. This thesis will present four toolkits, that accelerate the performance of inference applications by targeting the processor units from the top hardware vendors; Intel, Nvidia, Arm and Xilinx. In order to achieve optimal execution, the toolkits exploit the hardware acceleration that processors provide, as well as special processor units and platforms, which are specially developed for deep learning inference tasks. The most well-known models for each task are described, alongside with the frameworks that the toolkits support and are used for model representation. Last but not least, real-world performance results are collected for different batches of images, in order to achieve a performance landscape of the existing tools.en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc/4.0/en
Ημερομηνία2019-09-02-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαCNNen
Θεματική ΚατηγορίαAccelerationen
Θεματική ΚατηγορίαAcceleration toolsen
Βιβλιογραφική ΑναφοράPanagiotis Miliadis, "Performance landscape of CNN acceleration tools and resource constrained platforms", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en
Βιβλιογραφική ΑναφοράΠαναγιώτης Μηλιάδης, "Αξιολόγηση της απόδοσης των εργαλείων επιτάχυνσης των συνελικτικών νευρωνικών δικτύων και των πλατφορμών περιορισμένων πόρων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά