Aceleración de la fase de inferencia en redes neuronales profundas con dispositivos de bajo coste y consumo
Este trabajo profundiza en el ámbito del Deep Learning o aprendizaje profundo. Analizaremos el estado del arte y nos centraremos en las tecnologías de aceleración de la fase de inferencia con dispositivos de bajo coste. Para ello, se ha realizado una aplicación de reconocimiento facial en vídeo sobr...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/9003 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/9003 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Tensorflow Python OpenVINO Inferencia Redes neuronales Intel Neural compute stick Reconocimiento facial FaceNet Aprendizaje profundo Inference Neural networks Face recognition Deep learning Informática (Informática) 1203.17 Informática |
| Sumario: | Este trabajo profundiza en el ámbito del Deep Learning o aprendizaje profundo. Analizaremos el estado del arte y nos centraremos en las tecnologías de aceleración de la fase de inferencia con dispositivos de bajo coste. Para ello, se ha realizado una aplicación de reconocimiento facial en vídeo sobre el que se han tomado medidas de consumo, rendimiento y escalabilidad. Para el despliegue de la aplicación, se han utilizado dos modelos distintos de red neuronal basados en Tensorflow, el Intel© OpenVINO™ Toolkit y los dispositivos Intel© Neural Compute Stick 2 para la aceleración de la inferencia. Con todo ello, se ha podido comprobar la utilidad de los dispositivos NCS2 para la aceleración de la fase de inferencia consiguiendo tiempos cercanos al real-time y mejorando el rendimiento de la red neuronal en escenarios de alta demanda. |
|---|