Cómputo eficiente de redes neuronales sobre hardware heterogéneo.
Las redes neuronales han revolucionado la resolución de problemas en diversos campos, como medicina, robótica e ingeniería. Estas técnicas utilizan grandes volúmenes de datos para aprender (etapa de entrenamiento) y deducir resultados (etapa de inferencia) ayudando así a tomar decisiones. Sin embarg...
Gardado en:
| Autor Principal: | |
|---|---|
| Formato: | masterThesis |
| Idioma: | Lingua castelá |
| Publicado: |
2024
|
| Subjects: | |
| Acceso en liña: | https://hdl.handle.net/20.500.12008/48602 |
| Tags: |
Sen Etiquetas, Sexa o primeiro en etiquetar este rexistro!
|
| _version_ | 1868890240706412544 |
|---|---|
| author | Marichal Chávez, Raúl Ignacio |
| author_browse | Marichal Chávez, Raúl Ignacio |
| author_facet | Marichal Chávez, Raúl Ignacio |
| author_role | author |
| collection | COLIBRI |
| dc.contributor.none.fl_str_mv | Marichal Chávez Raúl Ignacio, Universidad de la República (Uruguay). Facultad de Ingeniería. |
| dc.creator.none.fl_str_mv | Marichal Chávez, Raúl Ignacio |
| dc.date.none.fl_str_mv | 2024 2025-03-07T16:45:39Z 2025-03-07T16:45:39Z |
| dc.format.none.fl_str_mv | 136 p. application/pdf |
| dc.identifier.none.fl_str_mv | Marichal Chávez, R. Cómputo eficiente de redes neuronales sobre hardware heterogéneo [en línea] Tesis de maestría. Montevideo : Udelar. FI. INCO : PEDECIBA. Área Informática, 2024. 1688-2792 https://hdl.handle.net/20.500.12008/48602 |
| dc.language.none.fl_str_mv | es spa |
| dc.publisher.none.fl_str_mv | Udelar. FI. |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) |
| dc.source.none.fl_str_mv | reponame:COLIBRI instname:Universidad de la República instacron:Universidad de la República |
| dc.subject.none.fl_str_mv | Redes neuronales Cómputo eficiente Plataformas de hardware heterogéneas |
| dc.title.none.fl_str_mv | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| dc.type.none.fl_str_mv | Tesis de maestría info:eu-repo/semantics/masterThesis info:eu-repo/semantics/acceptedVersion |
| description | Las redes neuronales han revolucionado la resolución de problemas en diversos campos, como medicina, robótica e ingeniería. Estas técnicas utilizan grandes volúmenes de datos para aprender (etapa de entrenamiento) y deducir resultados (etapa de inferencia) ayudando así a tomar decisiones. Sin embargo, tanto la etapa de entrenamiento como la de inferencia requieren considerables recursos computacionales y, por lo tanto, un elevado consumo energético. Esta tesis aborda la creciente necesidad de optimizar estos procesos desde el punto de vista de los recursos computacionales que requieren, explorando dos enfoques principales: el uso de hardware especializado y la optimización a nivel de software para maximizar el aprovechamiento de las plataformas de hardware subyacentes. En la primera línea de trabajo, se evalúa una variedad heterogénea de plataformas de hardware, tanto diseñadas específicamente para el cómputo de redes neuronales como plataformas de propósito general. Se logró establecer un entorno de desarrollo e implementación de redes neuronales eficiente, capaz de aprovechar plataformas de hardware de diversas características. Por otro lado, se estudian y aplican diferentes optimizaciones por software utilizando herramientas que son el estado del arte, buscando explotar características específicas de cada plataforma de hardware. Esta línea mostró las potenciales mejoras en los tiempos de ejecución que ofrecen estas herramientas, alcanzando mejoras de hasta 10x. Además, como evolución de las dos líneas de trabajo antes descritas, se abordó la optimización de una herramienta de simplificación de modelos, NetAdapt. Se estudió en profundidad la herramienta y se propusieron diferentes optimizaciones sobre la herramienta, los resultados experimentales muestran reducciones en los tiempos de ejecución de hasta 37x para la generación de modelos optimizados para plataformas de hardware específicas. Por último, es necesario destacar que en un contexto de creciente importancia de la inteligencia artificial, donde se posicionan los requerimientos computacionales como una de las principales limitantes, tanto los esfuerzos estudiados como los incipientes aportes de la presente tesis muestran los niveles significativos de optimización que se pueden alcanzar en la implementación de redes neuronales a través del software como del hardware. |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| id | anni_f8d0e8184dbc89830bded4ae94e06136 |
| identifier_str_mv | Marichal Chávez, R. Cómputo eficiente de redes neuronales sobre hardware heterogéneo [en línea] Tesis de maestría. Montevideo : Udelar. FI. INCO : PEDECIBA. Área Informática, 2024. 1688-2792 |
| instacron_str | Universidad de la República |
| institution | Universidad de la República |
| instname_str | Universidad de la República |
| language | spa |
| language_invalid_str_mv | es |
| network_acronym_str | anni |
| network_name_str | oai-lr-anni |
| oai_identifier_str | oai:colibri.udelar.edu.uy:20.500.12008/48602 |
| publishDate | 2024 |
| publishDateSort | 2024 |
| publisher.none.fl_str_mv | Udelar. FI. |
| reponame_str | COLIBRI |
| repository.mail.fl_str_mv | |
| repository.name.fl_str_mv | |
| repository_id_str | |
| rights_invalid_str_mv | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) |
| spelling | Cómputo eficiente de redes neuronales sobre hardware heterogéneo.Marichal Chávez, Raúl IgnacioRedes neuronalesCómputo eficientePlataformas de hardware heterogéneasLas redes neuronales han revolucionado la resolución de problemas en diversos campos, como medicina, robótica e ingeniería. Estas técnicas utilizan grandes volúmenes de datos para aprender (etapa de entrenamiento) y deducir resultados (etapa de inferencia) ayudando así a tomar decisiones. Sin embargo, tanto la etapa de entrenamiento como la de inferencia requieren considerables recursos computacionales y, por lo tanto, un elevado consumo energético. Esta tesis aborda la creciente necesidad de optimizar estos procesos desde el punto de vista de los recursos computacionales que requieren, explorando dos enfoques principales: el uso de hardware especializado y la optimización a nivel de software para maximizar el aprovechamiento de las plataformas de hardware subyacentes. En la primera línea de trabajo, se evalúa una variedad heterogénea de plataformas de hardware, tanto diseñadas específicamente para el cómputo de redes neuronales como plataformas de propósito general. Se logró establecer un entorno de desarrollo e implementación de redes neuronales eficiente, capaz de aprovechar plataformas de hardware de diversas características. Por otro lado, se estudian y aplican diferentes optimizaciones por software utilizando herramientas que son el estado del arte, buscando explotar características específicas de cada plataforma de hardware. Esta línea mostró las potenciales mejoras en los tiempos de ejecución que ofrecen estas herramientas, alcanzando mejoras de hasta 10x. Además, como evolución de las dos líneas de trabajo antes descritas, se abordó la optimización de una herramienta de simplificación de modelos, NetAdapt. Se estudió en profundidad la herramienta y se propusieron diferentes optimizaciones sobre la herramienta, los resultados experimentales muestran reducciones en los tiempos de ejecución de hasta 37x para la generación de modelos optimizados para plataformas de hardware específicas. Por último, es necesario destacar que en un contexto de creciente importancia de la inteligencia artificial, donde se posicionan los requerimientos computacionales como una de las principales limitantes, tanto los esfuerzos estudiados como los incipientes aportes de la presente tesis muestran los niveles significativos de optimización que se pueden alcanzar en la implementación de redes neuronales a través del software como del hardware.Udelar. FI.Marichal Chávez Raúl Ignacio, Universidad de la República (Uruguay). Facultad de Ingeniería.2025-03-07T16:45:39Z2025-03-07T16:45:39Z2024Tesis de maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersion136 p.application/pdfMarichal Chávez, R. Cómputo eficiente de redes neuronales sobre hardware heterogéneo [en línea] Tesis de maestría. Montevideo : Udelar. FI. INCO : PEDECIBA. Área Informática, 2024.1688-2792https://hdl.handle.net/20.500.12008/48602reponame:COLIBRIinstname:Universidad de la Repúblicainstacron:Universidad de la RepúblicaesspaLas obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)info:eu-repo/semantics/openAccessLicencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)oai:colibri.udelar.edu.uy:20.500.12008/486022026-04-14T10:27:59Z |
| spellingShingle | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. Marichal Chávez, Raúl Ignacio Redes neuronales Cómputo eficiente Plataformas de hardware heterogéneas |
| status_str | acceptedVersion |
| title | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| title_full | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| title_fullStr | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| title_full_unstemmed | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| title_short | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| title_sort | Cómputo eficiente de redes neuronales sobre hardware heterogéneo. |
| topic | Redes neuronales Cómputo eficiente Plataformas de hardware heterogéneas |
| url | https://hdl.handle.net/20.500.12008/48602 |