vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2024_3_50vrgup-8Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSМетод генерации программного кода по параметрам модели нейронной сетиA method for generating program code based on the parameters of a neural network modelЧепцовМ. Н.CheptsovM. N.

Чепцов Михаил Николаевич, кафедра «Автоматика, телемеханика, связь и вычислительная техника», доктор технических наук, профессор

Cheptsov Mikhail Nikolaevich, Chair «Automation, telemechanics, communications and computer engineering», Doctor of Technical Sciences, Professor

m.cheptsov@yandex.comСонинаС. Д.SoninaS. D.

Сонина Светлана Дмитриевна, кафедра «Автоматика, телемеханика, связь и вычислительная техника», старший преподаватель

Sonina Svetlana Dmitrievna, Chair «Automation, telemechanics, communications and computer engineering», Senior Lecturer

soninadonigt@yandex.comЯстримскийМ. Ю.YastrymskiyM. Yu.

Ястримский Максим Юрьевич, кафедра «Автоматика, телемеханика, связь и вычислительная техника», магистрант

Yastrimskiy Maxim Yurievich, Chair «Automation, telemechanics, communications and computer engineering», Graduate Student

maksim.yastrimskiy@gmail.comДонецкий институт железнодорожного транспортаDonetsk Institute of Railway Transport2024300920240350–55Copyright © Чепцов М.Н., Сонина С.Д., Ястримский М.Ю., 20242024Чепцов М.Н., Сонина С.Д., Ястримский М.Ю.Cheptsov M.N., Sonina S.D., Yastrymskiy M.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/8

В статье предложен метод генерации программного кода на основе параметров модели нейронной сети. Обоснована необходимость разработки данного метода для повышения быстродействия программного обеспечения и расширения возможностей интеграции в системы с ограниченными аппаратными ресурсами. Рассмотрен процесс синтеза программного обеспечения, включающий создание кода прямого прохода нейронной сети, основанного на параметрах ее модели. Приведены примеры реализации кода для различных конфигураций нейронных сетей, включая сети с одним и несколькими выходами. Результаты показывают возможность уменьшения временных и ресурсных затрат при выполнении расчетов в нейронных сетях, что позволяет эффективно использовать низкопроизводительное оборудование для выполнения задач на основе нейронных сетей, что снижает затраты на оборудование. Сгенерированный код может быть легко интегрирован в различные системы, включая те, которые имеют ограниченные аппаратные ресурсы. Методология позволяет адаптировать и масштабировать решения под конкретные задачи и требования, что особенно важно для прикладных задач в областях, таких как обработка изображений и видео, распознавание речи и текстов, анализ данных и прогнозирование.

The article proposes a method for generating program code based on the parameters of a neural network model. The necessity of developing this method to improve the performance of software and expand the possibilities of integration into systems with limited hardware resources is justified. The process of software synthesis is considered, including the creation of a direct pass code of a neural network based on the parameters of its model. Examples of code implementation for various configurations of neural networks, including networks with one and several outputs, are given. The results show the possibility of reducing time and resource costs when performing calculations in neural networks, which makes it possible to effectively use lowperformance equipment to perform tasks based on neural networks, which reduces equipment costs. The generated code can be easily integrated into various systems, including those with limited hardware resources. The methodology allows you to adapt and scale solutions to specific tasks and requirements, which is especially important for applied tasks in areas such as image and video processing, speech and text recognition, data analysis and forecasting.

нейронная сетьпрограммное обеспечениеоптимизация работыскорость функционирования.neural networksoftwareoptimization of operationspeed of functioning.ReferencesПрограммные среды для изучения основ нейронных сетей / П. Ю. Богданов, Е. В. Краева, С. А. Веревкин [и др.] // Программные продукты и системы. – 2021. – Т. 34. – № 1. – С. 145–150. – DOI 10.15827/0236-235X.133.145-150.Software environments for studying the basics of neural networks / P. Yu. Bogdanov, E. V. Kraeva, S. A. Verevkin [et al.] // Software products and systems. – 2021. – Vol. 34. – No. 1. – P. 145–150. – DOI 10.15827/0236-235X.133.145-150.Стивенс, Э. PyTorch. Освещая глубокое обучение : профессиональная литература / Э. Стивенс, Т. Виман, Л. Антига. – Санкт-Петербург : Питер, 2022. – 576 c. – (Серия «Библиотека про-граммиста»). – ISBN 978-5-4461-1945-5.Stevens, E. PyTorch. Covering deep learning : professional literature / E. Stevens, T. Wiman, L. Antiga. – Saint-Petersburg : Peter, 2022. – 576 p. – (Series "Programmer's Library"). – ISBN 978-5-4461-1945-5.TensorFlow : LargeScale Machine Learning on Heterogeneous Distributed Systems / M. Abadi, A. Agarwal, P. Barham [et al.] // arXiv preprint arXiv 1603.04467, 2016. – DOI 10.48550/arXiv.1603.04467.TensorFlow : LargeScale Machine Learning on Heterogeneous Distributed Systems / M. Abadi, A. Agarwal, P. Barham [et al.] // arXiv preprint arXiv 1603.04467, 2016. – DOI 10.48550/arXiv.1603.04467.Wu, J. (2018). A Comparative Measurement Study of Deep Learning as a Service Framework. IEEE Transactions on Services Computing / J. Wu, Z. Zhang, C. Hsieh // arXiv preprint. – 2022. – Vol. 15. – No. 1. – P. 551–566. – DOI 10.1109/TSC.2019.2928551.Wu, J. (2018). A Comparative Measurement Study of Deep Learning as a Service Framework. IEEE Transactions on Services Computing / J. Wu, Z. Zhang, C. Hsieh // arXiv preprint. – 2022. – Vol. 15. – No. 1. – P. 551–566. – DOI 10.1109/TSC.2019.2928551.Хайкин, С. Нейронные сети : полный курс. Пер. с англ. / С. Хайкин. – 2-е изд., испр. – Москва : ООО «И. Д. Вильямс», 2006. – 1104 с. – ISBN 5-8459-0890-6.Haikin, S. Neural networks : a complete course. Translated from English / S. Haikin. – 2nd ed., rev. – Moscow : “I. D. Williams” LLC, 2006. – 1104 p. – ISBN 5-8459-0890-6.Ускорение прямого прохода при реализации СНС на ограниченном вычислительном ресурсе / А. Е. Щелкунов, В. В. Ковалев, И. В. Сидько, Н. Е. Сергеев // Известия ЮФУ. Технические науки. – № 1 (225). – 2022. – С. 289–297. – DOI 10.18522/2311-3103-2022-1-289-297.Acceleration of the direct passage in the implementation of CNN on a limited computing resource / A. E. Shchelkunov, V. V. Kovalev, I. V. Sidko, N. E. Sergeev // Izvestiya SFedU. Engineering Sciences. – No. 1 (225). – 2022. – P.289–297. – DOI 10.18522/2311-3103-2022-1-289-297.Review of deep learning : concepts, CNN architectures, challenges, applications, future directions / L. Alzubaidi, J. Zhang, A. J. Humaidi [et al.] // J Big Data 8, 53 (2021). – URL : https://doi.org/10.1186/s40537-021-00444-8 (date of access: 04/09/2024).Review of deep learning : concepts, CNN architectures, challenges, applications, future directions / L. Alzubaidi, J. Zhang, A. J. Humaidi [et al.] // J Big Data 8, 53 (2021). – URL : https://doi.org/10.1186/s40537-021-00444-8 (date of access: 04/09/2024).Sarker, I. H. Deep Learning : A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions / I. Sarker. – SN COM-PUT. SCI. 2, 420 (2021). – URL: https://doi.org/10.1007/s42979-021-00815-1 (date of access: 04/09/2024).Sarker, I. H. Deep Learning : A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions / I. Sarker. – SN COMPUT. SCI. 2, 420 (2021). – URL: https://doi.org/10.1007/s42979-021-00815-1 (date of access: 04/09/2024).Evaluation of pre-training large language models on leadership-class supercomputers / J. Yin, S. Dash, J. Gounley [et al.] // J Supercomput 79, 20747–20768 (2023). – URL : https://doi.org/10.1007/s11227-023-05479-7 (date of access: 04/09/2024).Evaluation of pre-training large language models on leadership-class supercomputers / J. Yin, S. Dash, J. Gounley [et al.] // J Supercomput 79, 20747–20768 (2023). – URL : https://doi.org/10.1007/s11227-023-05479-7 (date of access: 04/09/2024).Чепцов, М. Н. Нейросетевой компаратор действительных чисел / М. Н. Чепцов, С. Д. Сонина // Сборник научных статей ДОНИЖТ. – Выпуск 67. – 2022. – С. 11–15. – ISSN 1993-5579.Cheptsov, M. N. Neural network comparator of real numbers / M. N. Cheptsov, S. D. Sonina // Collection of scientific articles by DONIZHT. – Issue 67. – 2022. – P. 11–15. – ISSN 1993-5579.

The authors declare that there are no conflicts of interest present.