Комп'ютерні системи та мережі. – 2019. – Том 1, № 1

Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/56346

Науковий журнал

Науковий журнал «Комп'ютерні системи та мережі» входить до переліку наукових фахових видань України, в яких можуть публікуватися результати дисертаційних робіт на здобуття наукових ступенів доктора і кандидата наук у галузі технічних наук. Науковий журнал "Комп’ютерні системи та мережі" є правонаступником Вісника Національного університету "Львівська політехніка" серія "Комп’ютерні системи та мережі".

Комп’ютерні системи та мережі : науковий журнал. – Львів : Видавництво Львівської політехніки, 2019. – Том 1, № 1. – 104 с. : іл.

Комп’ютерні системи та мережі

Зміст (том 1, № 1)


1
9
15
24
35
53
63
69
76
92
97
103

Content (Vol. 1, No 1)


1
9
15
24
35
53
63
69
76
92
97
103

Browse

Author: search.filters.author.Bench, A.

Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Порівняльний аналіз програмно-апаратного забезпечення алгоритмів глибокого навчання
    (Видавництво Львівської політехніки, 2019-03-01) Хома, Ю. В.; Бенч, А. Я.; Khoma, Y.; Bench, A.; Національний університет “Львівська політехніка”; Lviv Polytechnic National University
    Автоматичний переклад, розпізнавання мови та її синтез, розпізнавання об’єктів та навіть людських емоцій – надзвичайно складні завдання, із якими легко справляються сучасні смартфони. Їх ефективна реалізація стала можливою завдяки широкому застосуванню алгоритмів штучного інтелекту та машинного навчання, серед яких надзвичайно популярними є штучні нейронні мережі та алгоритми глибокого навчання. Ці алгоритми проникли в усі галузі індустрії, а їх стрімкий розвиток неможливий без застосування апаратної акселерації та чіткої взаємодії між апаратними складовими та програмним забезпеченням. Особливо актуальним це завдання стає, коли програмне забезпечення, призначене для застосування в хмарах, адаптується для невеликих за розміром та обчислювальними потужностями вбудованих систем. Статтю присвячено трьом пунктам, що, відповідно, пов’язані з програмним забезпеченням глибокого навчання, спеціалізованою апаратурою на основі GPU та перспективами побудови акселераторів для алгоритмів глибокого навчання на основі програмованих логічних матриць. У роботі проведено порівняльний аналіз найпопулярніших програмних фреймворків, таких як Caffe, Theano, Torch, MXNet, Tensorflow, Neon, CNTK. Описано переваги GPU-рішень на основі CUDA і cuDNN. Розглянуто перспективи FPGA як високошвидкісних та енергоефективних рішень для розроблення алгоритмів глибокого навчання, особливо у поєднанні з мовою OpenCL.