![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/D2FD3227-CA1F-4EF7-9FB3-9BA5A04CA1CE | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.82994 | - |
| Γλώσσα | en | - |
| Μέγεθος | 89 pages | en |
| Τίτλος | Performance landscape of CNN acceleration tools and resource constrained platforms | el |
| Τίτλος | Αξιολόγηση της απόδοσης των εργαλείων επιτάχυνσης των συνελικτικών νευρωνικών δικτύων και των πλατφορμών περιορισμένων πόρων | el |
| Δημιουργός | Miliadis Panagiotis | en |
| Δημιουργός | Μηλιαδης Παναγιωτης | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Pnevmatikatos Dionysios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Πνευματικατος Διονυσιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Dollas Apostolos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Δολλας Αποστολος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Theodoropoulos Dimitrios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Θεοδωροπουλος Δημητριος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Over 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 |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-nc/4.0/ | en |
| Ημερομηνία | 2019-09-02 | - |
| Ημερομηνία Δημοσίευσης | 2019 | - |
| Θεματική Κατηγορία | CNN | en |
| Θεματική Κατηγορία | Acceleration | en |
| Θεματική Κατηγορία | Acceleration tools | en |
| Βιβλιογραφική Αναφορά | Panagiotis 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, 2019 | en |
| Βιβλιογραφική Αναφορά | Παναγιώτης 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, 2019 | el |
Copyright © DIAS 2013
