Метод генерации программного кода по параметрам модели нейронной сети
https://doi.org/10.46973/0201-727X_2024_3_50
Аннотация
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.
Ключевые слова
Об авторах
М. Н. Чепцов
Донецкий институт железнодорожного транспорта
Россия
Россия
Чепцов Михаил Николаевич, кафедра «Автоматика, телемеханика, связь и вычислительная техника», доктор технических наук, профессор
С. Д. Сонина
Донецкий институт железнодорожного транспорта
Россия
Россия
Сонина Светлана Дмитриевна, кафедра «Автоматика, телемеханика, связь и вычислительная техника», старший преподаватель
М. Ю. Ястримский
Донецкий институт железнодорожного транспорта
Россия
Россия
Ястримский Максим Юрьевич, кафедра «Автоматика, телемеханика, связь и вычислительная техника», магистрант
Список литературы
1. Программные 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.
2. 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.
3. 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.
4. 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.
5. 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.
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.
7. 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).
8. 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).
9. 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).
10. 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.
Рецензия
Для цитирования:
Чепцов М.Н., Сонина С.Д., Ястримский М.Ю. Метод генерации программного кода по параметрам модели нейронной сети. Вестник Ростовского государственного университета путей сообщения. 2024;(3):50–55. https://doi.org/10.46973/0201-727X_2024_3_50
For citation:
Cheptsov M.N., Sonina S.D., Yastrymskiy M.Yu. A method for generating program code based on the parameters of a neural network model. Vestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya. 2024;(3):50–55. (In Russ.) https://doi.org/10.46973/0201-727X_2024_3_50
Просмотров:
9
JATS XML
Послать статью по эл. почте 