Výsledky vyhledávání
- 1.0565500 - ÚI 2023 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose Library of ML/AI Methods for CUDA Cores.
Interní kód: TN01000024/03-V009 ; 2022
Technické parametry: Refaktorovaný kód je poskytnut ve formě MATLAB MEX souborů. Ke spuštění vyžaduje MATLAB. Použití se řídí příslušnými licenčními podmínkami Akademické licence MATLABu.
Ekonomické parametry: Refaktorizace Python + TensorFlow kódu do nativního CUDA kódu pomocí MATLAB GPU Coderu. Urychlení inference implementace neuronových sítí.
Grant CEP: GA TA ČR(CZ) TN01000024
Institucionální podpora: RVO:67985807
Klíčová slova: deep neural networks * generative adverisal networks * conditional generation * generative algorithms * MATLAB GPU Coder * CUDA cores * hluboké neuronové sítě * generativní adversiální sítě * generativní algoritmy
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/nck_matlab
Trvalý link: https://hdl.handle.net/11104/0337034
Vědecká data: Github.com - 2.0565499 - 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)
https://github.com/PetraVidnerova/nck_python
Trvalý link: https://hdl.handle.net/11104/0337029
Vědecká data: Github.com - 3.0535816 - ÚI 2021 RIV CZ eng L4 - Software
Coufal, David - Hakl, František - Vidnerová, Petra
General-purpose algorithms for machine learning.
Interní kód: TN01000024/03-V001 ; 2020
Technické parametry: Program spustitelný z příkazové řádky, vyžaduje Python a běžné dostupné výpočetní knihovny. Úlohu lze definovat v textovém souboru 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)
https://github.com/PetraVidnerova/NCK_interim
Trvalý link: http://hdl.handle.net/11104/0313744 - 4.0532799 - ÚI 2021 RIV CZ eng L4 - Software
Tichavský, Jan - Kalina, Jan
LWS-based robust multilayer perceptron 1.0.
Interní kód: LWSbased 1.0 ; 2020
Technické parametry: Kód v Pythonu je samostatně spustitelný. Je třeba, aby uživatel instaloval v Pythonu math, NumPy, TensorFlow a Keras. Spuštění kódu je přímočaré podle dokumentace. Dostupné pod licencí MIT.
Ekonomické parametry: Software umožňuje uživateli provést robustní trénování neuronových sítí založené na robustní ztrátově funkci. Jde dosud o první takovou veřejně dostupnou implementaci. Software tak výrazně usnadňuje práci s neuronovými sítěmi a ušetří uživateli značnou námahu s vlastní implementací tohoto vysoce optimalizovaného kódu.
Grant CEP: GA ČR(CZ) GA19-05704S
Institucionální podpora: RVO:67985807
Klíčová slova: neuronové sítě * robustnost * ztrátová funkce * odlehlé hodnoty * neural networks * robustness * loss function * outliers
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/Veragin/LWS-based-multilayer-perceptron
Trvalý link: http://hdl.handle.net/11104/0311197
Vědecká data: Githhub.com - 5.0532797 - ÚI 2021 RIV CZ eng L4 - Software
Tichavský, Jan - Kalina, Jan
Robust interquantile multilayer perceptron 1.0.
Interní kód: Interquantile 1.0 ; 2020
Technické parametry: Kód v Pythonu je samostatně spustitelný. Je třeba, aby uživatel instaloval v Pythonu math, NumPy, TensorFlow a Keras. Spuštění kódu je přímočaré podle dokumentace. Dostupné pod licencí MIT.
Ekonomické parametry: Software umožňuje uživateli provést robustní trénování neuronových sítí založené na vhodných (spolehlivých) pozorováních mezi dvěma nelineárními regresními kvantily. Kód je implementován velmi efektivně a přehledně. Práce s kódem je tak výpočetně rychlejší oproti jiným implementacím, které využívají komplikované a tedy zdlouhavé postupy.
Grant CEP: GA ČR(CZ) GA19-05704S
Institucionální podpora: RVO:67985807
Klíčová slova: neuronové sítě * nelineární regresní kvantily * robustnost * odlehlé hodnoty * neural networks * nonlinear regression quantiles * robustness * outliers
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/Veragin/Interquantile-multilayer-perceptron
Trvalý link: http://hdl.handle.net/11104/0311194
Vědecká data: Githhub.com - 6.0505718 - ÚI DATA Vědecká data 2019
Vidnerová, Petra
RBF-Keras: RBF vrstva pro knihovnu Keras.
Popis: RBF-Keras: RBF vrstva pro knihovnu Keras
[RBF-Keras: an RBF Layer for Keras Library]
Klíčová slova: neuronová síť typu RBF * hluboké neuronové sítě * RBF network * deep neural networks * Keras
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Trvalý link: http://hdl.handle.net/11104/0297129
Vkladatel: admin
Datum publikování: 16.10.2019
Publikace ASEP:
RBF-Keras: an RBF Layer for Keras LibraryGrant CEP: GA ČR(CZ) GA18-23827S
Institucionální podpora: RVO:67985807 - 7.0505494 - ÚI 2020 RIV CZ eng L4 - Software
Vidnerová, Petra
RBF-Keras: an RBF Layer for Keras Library.
Interní kód: RBF-Keras ; 2019
Technické parametry: Uživatel potřebuje nainstalovanou knihovnu Keras (http://keras.io) a poté je možné vytvářet modely neuronových sítí způsobem obvyklým v této knihovně včetně použití naší RBF vrstvy. Pro nastavení středů si lze vybrat s připravených inicializátorů (náhodný výběr z tréninkové množiny nebo použití KMeans shlukování), případně uživatel může použít vlastní inicializátor.
Ekonomické parametry: RBF-Keras obsahuje implementaci třídy RBFLayer, která je určena k implementaci RBF sítí a hlubokých sítí obsahujících RBF vrstvu v knihovně Keras. Jedná se o rozšíření knihovny Keras, která samotná RBF vrstvu neobsahuje. RBF-Keras usnadňuje realizaci experimentů s modely RBF sítí nebo hlubokých sítí s RBF vrstvou a umožňuje aplikaci těchto modelů.
Grant CEP: GA ČR(CZ) GA18-23827S
Institucionální podpora: RVO:67985807
Klíčová slova: neuronová síť typu RBF * hluboké neuronové sítě * RBF network * deep neural networks * Keras
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/PetraVidnerova/rbf_keras
Trvalý link: http://hdl.handle.net/11104/0296977 - 8.0471874 - ÚI 2017 RIV cze P - Patentový dokument
Hakl, František
Hardwarový evaluátor neuronové sítě s přepínacími jednotkami.
[A hardware evaluator of the neural network with switching units.]
2017. Vlastník: Ústav informatiky AV ČR, v. v. i. Datum udělení patentu: 18.01.2017. Číslo patentu: 306533
Grant CEP: GA TA ČR TA01010490
Institucionální podpora: RVO:67985807
Klíčová slova: rychlé vyhodnocování dat * neuronové sítě * separace dat * rozpoznávání vzorů * optoelektronické obvody
Obor OECD: Computer hardware and architecture
https://isdv.upv.cz/webapp/webapp.pts.det?xprim=2018170&lan=cs
Trvalý link: http://hdl.handle.net/11104/0269226 - 9.0424705 - ÚI 2014 CZ eng V - Výzkumná zpráva
Hakl, František
Nástroj pro vzdálené použití NNSU algoritmu pro separaci dat (uživatelský manuál).
Prague: ICS AS CR, 2013. 29 s. Technical Report, V-1200.
Grant CEP: GA TA ČR TA01010490
Institucionální podpora: RVO:67985807
Klíčová slova: separace dat * neuronové sítě * paralelní výpočty
Kód oboru RIV: IN - Informatika
Trvalý link: http://hdl.handle.net/11104/0230739Název souboru Staženo Velikost Komentář Verze Přístup v1200-13.pdf 23 8.8 MB Jiná povolen - 10.0405142 - UIVT-O 20030103 CZ cze K - Konferenční příspěvek (tuzemská konf.)
Vyorálková, Inka
Klasifikace satelitních snímků neuronovými sítěmi.
[Classification of Satellite Images by Artificial Neural Networks.]
Doktorandský den '03. Praha: MATFYZPRESS, 2003 - (Hakl, F.), s. 144-153. ISBN 80-86732-16-9.
[Doktorandský den '03. Paseky nad Jizerou (CZ), 25.09.2003-26.09.2003]
Výzkumný záměr: AV0Z1030915
Klíčová slova: satelitní snímky * neuronové sítě * klasifikace
Trvalý link: http://hdl.handle.net/11104/0125344Název souboru Staženo Velikost Komentář Verze Přístup 0405142.pdf 0 1.2 MB Vydavatelský postprint povolen