Search results

  1. 1.
    0586300 - ÚI 2025 RIV GB eng J - Journal Article
    Šíma, Jiří - Cabessa, Jérémie - Vidnerová, Petra
    On energy complexity of fully-connected layers.
    Neural Networks. Roč. 178, October 2024 (2024), č. článku 106419. ISSN 0893-6080. E-ISSN 1879-2782
    R&D Projects: GA ČR(CZ) GA22-02067S
    Institutional support: RVO:67985807
    Keywords : Deep neural networks * Convolutional neural networks * Fully-connected layer * Energy complexity * Energy consumption * Dataflow
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    Impact factor: 7.8, year: 2022
    https://doi.org/10.1016/j.neunet.2024.106419
    Permanent Link: https://hdl.handle.net/11104/0353852
     
     
  2. 2.
    0565500 - ÚI 2023 RIV CZ eng L4 - Software
    Coufal, David - Hakl, František - Vidnerová, Petra
    General-purpose Library of ML/AI Methods for CUDA Cores.
    Internal code: TN01000024/03-V009 ; 2022
    Technical parameters: Refaktorovaný kód je poskytnut ve formě MATLAB MEX souborů. Ke spuštění vyžaduje MATLAB. Použití se řídí příslušnými licenčními podmínkami Akademické licence MATLABu.
    Economic parameters: Refaktorizace Python + TensorFlow kódu do nativního CUDA kódu pomocí MATLAB GPU Coderu. Urychlení inference implementace neuronových sítí.
    R&D Projects: GA TA ČR(CZ) TN01000024
    Institutional support: RVO:67985807
    Keywords : deep neural networks * generative adverisal networks * conditional generation * generative algorithms * MATLAB GPU Coder * CUDA cores * hluboké neuronové sítě * generativní adversiální sítě * generativní algoritmy
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    https://github.com/PetraVidnerova/nck_matlab
    Permanent Link: https://hdl.handle.net/11104/0337034
     

    Research data: Github.com
     
  3. 3.
    0565499 - ÚI 2023 RIV CZ eng L4 - Software
    Coufal, David - Hakl, František - Vidnerová, Petra
    General-purpose Library of ML/AI Methods.
    Internal code: TN01000024/03-V005 ; 2022
    Technical parameters: 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.
    Economic parameters: 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.
    R&D Projects: GA TA ČR(CZ) TN01000024
    Institutional support: RVO:67985807
    Keywords : 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
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    https://github.com/PetraVidnerova/nck_python
    Permanent Link: https://hdl.handle.net/11104/0337029
     

    Research data: Github.com
     
  4. 4.
    0548678 - ÚI 2022 RIV CH eng J - Journal Article
    Vidnerová, Petra - Neruda, Roman
    Air Pollution Modelling by Machine Learning Methods.
    Modelling. Roč. 2, č. 4 (2021), s. 659-674. E-ISSN 2673-3951
    R&D Projects: GA ČR(CZ) GA18-23827S
    Institutional support: RVO:67985807
    Keywords : machine learning * air pollution * sensors * deep neural networks * regularization networks
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    Method of publishing: Open access
    http://dx.doi.org/10.3390/modelling2040035
    Permanent Link: http://hdl.handle.net/11104/0324730
    FileDownloadSizeCommentaryVersionAccess
    0548678-afoa.pdf4411.1 KBOA CC BY 4.0Publisher’s postprintopen-access
     
     
  5. 5.
    0546579 - FZÚ 2022 RIV NL eng J - Journal Article
    Guillen, A. … Total 7 authors
    Deep learning techniques applied to the physics of extensive air showers.
    Astroparticle Physics. Roč. 111, September (2019), s. 12-22. ISSN 0927-6505. E-ISSN 1873-2852
    Research Infrastructure: AUGER-CZ - 90038
    Keywords : machine learning * deep neural networks * ultra-high-energy
    OECD category: Particles and field physics
    Impact factor: 2.610, year: 2019
    Method of publishing: Limited access
    https://doi.org/10.1016/j.astropartphys.2019.03.001
    Permanent Link: http://hdl.handle.net/11104/0323045
     
     
  6. 6.
    0535816 - ÚI 2021 RIV CZ eng L4 - Software
    Coufal, David - Hakl, František - Vidnerová, Petra
    General-purpose algorithms for machine learning.
    Internal code: TN01000024/03-V001 ; 2020
    Technical parameters: 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.
    Economic parameters: 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.
    R&D Projects: GA TA ČR(CZ) TN01000024
    Institutional support: RVO:67985807
    Keywords : 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
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    https://github.com/PetraVidnerova/NCK_interim
    Permanent Link: http://hdl.handle.net/11104/0313744
     
     
  7. 7.
    0534837 - ÚI 2021 RIV CH eng C - Conference Paper (international conference)
    Vidnerová, Petra - Neruda, Roman
    Multi-objective Evolution for Deep Neural Network Architecture Search.
    Neural Information Processing. ICONIP 2020 Proceedings, Part III. Cham: Springer, 2020 - (Yang, H.; Pasupa, K.; Chi-Sing Leung, A.; Kwok, J.; Chan, J.; King, I.), s. 270-281. Lecture Notes on Computer Science, 12534. ISBN 978-3-030-63835-1. ISSN 0302-9743.
    [ICONIP 2020: International Conference on Neural Information Processing /27./. Bangkok (TH), 23.11.2020-27.11.2020]
    R&D Projects: GA ČR(CZ) GA18-23827S
    Institutional support: RVO:67985807
    Keywords : neural architecture search * deep neural networks * multi-objective evolution
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    Permanent Link: http://hdl.handle.net/11104/0312997
    FileDownloadSizeCommentaryVersionAccess
    0534837-a.pdf2626 KBPublisher’s postprintrequire
     
     
  8. 8.
    0505718 - ÚI DATA Scientific data      2019
    Vidnerová, Petra

    RBF-Keras: RBF vrstva pro knihovnu Keras.

    Description: RBF-Keras: RBF vrstva pro knihovnu Keras
    [RBF-Keras: an RBF Layer for Keras Library]
    Keywords : neuronová síť typu RBF * hluboké neuronové sítě * RBF network * deep neural networks * Keras
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    Permanent Link: http://hdl.handle.net/11104/0297129
    Depositor: admin
    Date of release: 16.10.2019
     
    ASEP publication:
    RBF-Keras: an RBF Layer for Keras Library
     
    License:
    JINA. MIT
     
    StorageAccessibilityCommentary
    Github.comopen-access
    R&D Projects: GA ČR(CZ) GA18-23827S
    Institutional support: RVO:67985807
  9. 9.
    0505494 - ÚI 2020 RIV CZ eng L4 - Software
    Vidnerová, Petra
    RBF-Keras: an RBF Layer for Keras Library.
    Internal code: RBF-Keras ; 2019
    Technical parameters: 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.
    Economic parameters: 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.
    R&D Projects: GA ČR(CZ) GA18-23827S
    Institutional support: RVO:67985807
    Keywords : neuronová síť typu RBF * hluboké neuronové sítě * RBF network * deep neural networks * Keras
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    https://github.com/PetraVidnerova/rbf_keras
    Permanent Link: http://hdl.handle.net/11104/0296977
     
    Scientific data in ASEP :
    RBF-Keras: RBF vrstva pro knihovnu Keras.
     
  10. 10.
    0502575 - ÚI 2020 RIV US eng R - Book Review
    Vidnerová, Petra
    Hitoshi Iba: Evolutionary approach to machine learning and deep neural networks: neuro-evolution and gene regulatory networks (review).
    [IBA, H.: Evolutionary approach to machine learning and deep neural networks: neuro-evolution and gene regulatory networks: Springer, 2018, Hardcover, 245 pp, ISBN: 978-981-13-0199-5]. Genetic Programming and Evolvable Machines. Roč. 20, č. 2 (2019), s. 151-153. ISSN 1389-2576. E-ISSN 1573-7632
    Institutional support: RVO:67985807
    Keywords : review * deep neural networks * machine learning
    OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
    Permanent Link: http://hdl.handle.net/11104/0294479
     
     

  This site uses cookies to make them easier to browse. Learn more about how we use cookies.