Evaluación temporal del entrenamiento e inferencia de redes neuronales sobre plataformas hardware heterogéneas
Este trabajo evalúa el rendimiento temporal de un conjunto de modelos de aprendizaje automático a partir de datos provenientes de un sistema de captación IoT compuesto por sensores de irradiación solar. Los algoritmos construidos se apoyan en redes neuronales artificiales, que serán implementadas me...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Recursos: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/14365 |
| Acesso em linha: | https://hdl.handle.net/20.500.14352/14365 |
| Access Level: | acceso abierto |
| Palavra-chave: | 004(043.3) Deep learning IoT Tensorflow Keras Python GPU Nvidia Neural network Regressión Informática (Informática) 1203.17 Informática |
| Resumo: | Este trabajo evalúa el rendimiento temporal de un conjunto de modelos de aprendizaje automático a partir de datos provenientes de un sistema de captación IoT compuesto por sensores de irradiación solar. Los algoritmos construidos se apoyan en redes neuronales artificiales, que serán implementadas mediante los frameworks para deep learning Tensorflow y Keras utiilzando el lenguaje de programación Python. Se generará un grupo de modelos capaces de resolver un problema de regresión a partir de datos históricos de radiación solar consiguiendo predecir esta para un tiempo futuro. Para llegar a este objetivo será necesario acometer el entrenamiento e inferencia sobre las distintas redes neuronales. Estos procesos se realizarán sobre distintas arquitecturas hardware heterogéneas formadas por CPUs y GPUs capaces de acelerar los procesos computacionales. Una vez realizada la computación necesaria, se evaluarán los tiempos requeridos para el procesado de cada uno de los modelos en las diferentes arquitecturas. Se realizará una comparativa para el proceso de entrenamiento y otra para el proceso de inferencia. De este modo se podrá vislumbrar cuándo es conveniente acelerar el cómputo mediante GPUs y cuándo es suficiente con utilizar la CPU en función de los requerimientos temporales de cada contexto. |
|---|