Полное описание

Канев, Антон Игоревич. Сравнение производительности моделей глубокого обучения при запуске на клиентском устройстве и в облаке = Comparing the performance of deep learning models running on client device and in cloud / А. И. Канев. - DOI 10.18127/j19998554-202306-03. - Текст : непосредственный // Нейрокомпьютеры: разработка, применение = Neurocomputers : международный научно-технический журнал. - 2023. - Том 25, N 6. - С. 27-36. - Библиогр. в конце ст. - ISSN 1999-8554.

ГРНТИ	УДК
28.23.25	004.85
28.23.37	004.032.26

Рубрики:
Машинное обучение
Нейронные сети

Кл.слова (ненормированные): классификация изображений -- ONNX -- RESNET -- JavaScript
Аннотация: Большое количество изображений, аудио- и видеозаписей в Интернете требует разработки приложений для их семантического анализа и предоставления пользователям лучших результатов поиска. Современные модели глубокого обучения успешно справляются со многими задачами анализа изображений, видео и других типов данных. Обучение и вывод нейронных сетей чаще всего проводится на языке Python с использованием фреймворков глубокого обучения. Это удобно благодаря наличию большого количества библиотек предобработки различных видов данных. Применение современных веб-технологий (HTML5, WebAssembly, WebGL и др.) позволяет проводить все большую долю вычислений на стороне клиента в браузере. Это экономит ресурсы сервера, ограничивает нагрузку на сеть и обеспечивает приватность данных пользователя. Становится возможным создание распределенных систем с переносом вычислений для предсказаний нейронных сетей в приложения фронтенда на языке JavaScript. Однако, обладая менее производительными процессорами и GPU, клиентские устройства выполняют этот вывод медленнее, в связи с чем требуется сравнить время вывода на разных устройствах и языках программирования.
Цель исследования - сравнить время выполнения предсказаний моделями глубокого обучения на клиентских и серверных устройствах.
Получены данные о времени предсказаний различных вариантов нейронных сетей, сконвертированных в формат ONNX, на примере классификации изображений из набора данных Cifar100. Измерено время выполнения на серверах Google Colab c CPU и GPU, а также на клиентских устройствах с разными CPU в браузере Chrome.
Предложенный подход можно использовать для разработки распределенных приложений, для которых важным является обеспечение приватности данных пользователя, а также задержки в сети из-за передачи анализируемых данных на сервер.

Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -832389-500969)

Шифр в сводном ЭК: 4d52517d5635ad7d8317d3751926af0e

Заказать
Заказ фрагмента документа ₽