TESTS AND ANALYSIS OF FRAMEWORKS INTENDED FOR DEEP LEARNING OF NEURAL NETWORK MODELS
https://doi.org/10.34822/1999-7604-2022-2-6-13
Abstract
The article compares several deep learning frameworks via testing under similar conditions in order to apply them in solving real-time problems on various platforms. Traffic signs recognition is an example of such problem. The study compares speed and accuracy of data output of five popular deep learning frameworks: TensorFlow, Neon, CNTK, MXNet, RyTorch. The most popular training models, ResNet-20, IDSIA, ResNet-32, were selected for training in conditions of limited computing resources due to their highly accurate real-time results. Graphics processing units are commonly used to train convolutional neural networks. The article compiled and analyzed the results of calculations using both central and graphics processors, presented methods of frameworks optimization and the results of their operation both on the central processor and on the graphics one. Thus, it is possible to study the data input influence on the accuracy of subsequently obtained result. The study allows determining and optimizing the most suitable framework for traffic signs recognition according to the criteria of output values accuracy and the time spent on models training.
About the Authors
S. Yu. Pchelintsev
Derzhavin Tambov State University, Tambov
Russian Federation
Russian Federation
Postgraduate
E-mail: veselyrojer@mail.ru
O. A. Kovaleva
Derzhavin Tambov State University, Tambov;
Tambov State Technical University, Tambov
Russian Federation
Russian Federation
Doctor of Sciences (Engineering), Associate Professor
E-mail: solomina-oa@yandex.ru
A. A. Suslin
Derzhavin Tambov State University, Tambov
Russian Federation
Russian Federation
Student
E-mail: andriw_suslin@mail.ru
References
1. Чижова И. А., Некрасова А. С. Актуальность параллельных вычислений на Cuda // Наука молодых – будущее России : сб. науч. ст. 3-й Междунар. науч. конф. перспективных разработок молод. ученых, 11–12 декабря 2018 г., г. Курск. Курск : ЗАО «Университет. книга», 2018. С. 289–291.
2. Багаев И. И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математ. и програм. обеспечение систем в промышлен. и социал. сферах. 2020. № 1. С. 15–22.
3. Ильин Е. С., Тимохов Д. В., Бабенко В. Г. Идентификация объектов при помощи сверточных нейронных сетей // Транссибирская магистраль – экономический пояс России XX : межвузов. науч.-практ. студен. конф., 18–22 апреля 2016 г., г. Красноярск. Красноярск : Краснояр. ин-т железнодорож. транспорта, 2016. С. 154–158.
4. German Traffic Sign Benchmarks. Dataset. URL: https://benchmark.ini.rub.de/gtsrb_dataset.html (дата обращения: 11.01.2022).
5. Лобанов М. Г., Шоломов Д. Л. Об ускорении архитектуры сверточной нейронной сети на базе resnet в задаче распознавания объектов дорожной сцены // Информац. технологии и вычислит. системы. 2019. № 3. С. 57–65.
6. Cireşan D., Meier U., Masci J., Schmidhuber J. Multi-Column Deep Neural Network for Traffic Sign Classification // Neural Netw. 2012. Vol. 32. P. 333–338.
7. Koonce B. Convolutional Neural Networks with Swift for Tensorflow. Berkeley, CA : Apress, 2021. 245 p.
8. Новосельцев В. А., Тушев А. Н. Исследование влияния предварительной обработки изображений на скорость обучения и качество распознавания нейронной сети // Программно-технич. обеспечение автоматизир. систем : материалы Всерос. молодеж. науч.-практ. конф., 9 ноября 2018 г., г. Барнаул. Барнаул : Алтайский гос. тех-нич. ун-т им. И.И. Ползунова, 2018. С. 175–182.
Review
For citations:
Pchelintsev S.Yu., Kovaleva O.A., Suslin A.A. TESTS AND ANALYSIS OF FRAMEWORKS INTENDED FOR DEEP LEARNING OF NEURAL NETWORK MODELS. Proceedings in Cybernetics. 2022;(2 (46)):6-13. (In Russ.) https://doi.org/10.34822/1999-7604-2022-2-6-13
Views:
240
Email this article 