Search results

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

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

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

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

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