0565499 - ÚI 2023 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose Library of ML/AI Methods.
Interní kód: TN01000024/03-V005 ; 2022
Technické parametry: Kolekce programů a skriptů spustitelných z příkazové řádky, vyžaduje Python a běžně dostupné výpočetní knihovny. Zadání se definuje v textovém souboru, typicky ve formátu YAML. Vzhledem k výpočetní náročnosti doporučeno využití GPU nebo výpočetního clusteru s více CPU.
Ekonomické parametry: Knihovna obsahuje dvě části. Skripty věnované rozšiřování datové základny pro učení navigace robota (GANs) a část zabývající se hledáním optimální architektury neuronových sítí (AnANAS). Rozšiřování datové základny je prováděno pomocí generativních neuronových sítí. Jsou implementovány architektury DCGAN a LSGAN v nepodmíněné i podmíněné verzi. Kvalita učení je monitorována pomocí FID skóre. AnANAS část je určena pro experimenty s hledáním optimální architektury hluboké neuronové sítě, jak s plně propojenými vrstvami tak sítě konvoluční. Umožňuje více-kriteriální optimalizaci, nabízí tři verze více-kriteriální optimalizace (NSGA, NSGA-II, NSGA-III) a implementaci základního standardního genetického algoritmu. Umožňuje paralelní výpočet na GPU nebo s využitím několika CPU.
Grant CEP: GA TA ČR(CZ) TN01000024
Institucionální podpora: RVO:67985807
Klíčová slova: deep neural networks * generative adverisal networks * conditional generation * generative algorithms * neural architecture search * model selection * evolutionary algorithms * multiobjective optimisation * hluboké neuronové sítě * generativní adversiální sítě * generativní algoritmy * hledání architektury neuronové sítě * evoluční algoritmy * vícekriteriální optimalizace
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Web výsledku:
https://github.com/PetraVidnerova/nck_python

The important part of successful neural network solution is a choice of an appropriate architecture. We provide tools automating this process, including semi-manual tools and fully automatic search. The semi-manual solution provides tools for automatic evaluation of a set of user defined architectures. The fully automatic search is based on evolutionary optimisation that finds a suitable network for a given problem. Generative adversial networks (GANs) are used to expand available database of disc photographs. Different loss function-based architectures such as DCGAN and LSGAN are employed. Both unconditional and conditional configurations are available. The scripts also have distributed versions that can run on a GPU cluster.
Trvalý link: https://hdl.handle.net/11104/0337029
Vědecká data: Github.com