| DC Field | Value | Language |
|---|
| dc.contributor.author | Kroshchanka, A. | - |
| dc.coverage.spatial | Минск | ru_RU |
| dc.date.accessioned | 2023-05-10T08:40:04Z | - |
| dc.date.available | 2023-05-10T08:40:04Z | - |
| dc.date.issued | 2023 | - |
| dc.identifier.citation | Kroshchanka, A. Reduction of neural network models in intelligent computer systems of a new generation = Редуцирование нейросетевых моделей в интеллектуальных компьютерных системах нового поколения / A. Kroshchanka // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS) : сборник научных трудов / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. В. Голенков [и др.]. – Минск, 2023. – Вып. 7. – С. 127–132. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/51255 | - |
| dc.description.abstract | Статья посвящена разработке метода редуцирования глубоких нейронных сетей в контексте интеграции подобных моделей в ostis-системы. Предлагается альтернативный подход к обучению глубоких нейронных сетей, базирующийся на использовании RBM и CRBM. Предлагается метод для снижения размерности “тяжелых” моделей. Полученные теоретические результаты подтверждаются вычислительными экспериментами, демонстрирующими эффективность предложенного подхода к редуцированию. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | deep neural networks | ru_RU |
| dc.subject | model reduction | ru_RU |
| dc.subject | CRBM | ru_RU |
| dc.title | Reduction of neural network models in intelligent computer systems of a new generation | ru_RU |
| dc.title.alternative | Редуцирование нейросетевых моделей в интеллектуальных компьютерных системах нового поколения | ru_RU |
| dc.type | Article | ru_RU |
| local.description.annotation | In the article, an approach to reducing the tuning parameters of deep neural network models, which is based on the use of the pre-training method, is proposed. Examples of using this approach for model reduction are given for MNIST, CIFAR10, CIFAR100 datasets. Recommendations are given on the use of the proposed method in the context of integrating massive neural network models into the intelligent computer systems of a new generation based on the use of the OSTIS Technology. | ru_RU |
| Appears in Collections: | OSTIS-2023
|
