Weight quantization for multi-layer perceptrons
Çok katmanlı yapay sinir ağları için ağırlık nicemlemesi
- Tez No: 95446
- Danışmanlar: DOÇ. DR. ETHEM ALPAYDIN, DOÇ. DR. GÜNHAN DÜNDAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ağırlık, Gauss dağılımı, Yapay sinir ağları, Weight, Gaussian distribution, Artificial neural networks
- Yıl: 2000
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
ÖZET ÇOK KATMANLI YAPAY SİNİR AĞLARI İÇİN AĞIRLIK NİCEMLEMESİ Bu çalışmada çok katmanlı yapay sinir ağlarının etkin bir şekilde oluşturulması için parametrelerinin çeşitli metotlarla nicemlemesi tartışılmaktadır. Bu metotlar para metreleri sabit sayılar gibi değil bir Gauss karışım dağılımından çekilmiş rassal değişkenler gibi düşünür ve herbiri bu karışım dağılımı üzerinde çeşitli varsayımlar yapar. Bunların içinde özel haller olarak düzenli nicemleme ile A;-merkezli öbekleme vardır. Paramet relerin dağılımının öğrenilmesi ile çok katmanlı yapay sinir ağının eğitiminin birleştirilme sinde“esnek ağırlık paylaşımı (soft weight sharing)”kullanılması önerilmektedir. Bağlanım ve sınıflandırma veri kümeleri üzerindeki benzetim sonuçları çeşitli nicemleme metot larını karşılaştırır ve dağılım parametrelerinin eğitiminin yapay sinir ağı parametrelerinin eğitimi ile birleştirilmesinin üstünlüğünü göstermektedir.
Özet (Çeviri)
IV ABSTRACT WEIGHT QUANTIZATION FOR MULTI-LAYER PERCEPTRONS In this work various methods for quantizing the weights of a multi-layer percep tion for efficient VLSI implementation is discussed. These methods consider weights not as constant numbers but as random variables drawn from a Gaussian mixture distribution where each of these methods make a certain assumption about the compo nents of the mixture. These include as special cases uniform quantization and /s-means clustering. It is proposed to use soft weight sharing in learning the distribution of the weights coupled with the training of the multi-layer perceptron. Simulation results on regression and classification data sets compare various quantization schemes and demonstrate the advantage of coupled training of distribution parameters.
Benzer Tezler
- Yapay sinir ağları ve genetik algoritmalar kullanılarak EKG vurularının sınıflandırılması
Classification of ECG beats by using artifical neural networks and genetic algorithms
ZÜMRAY DOKUR
- Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar
Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security
YUSUF ETKA KÖYLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOCAARSLAN
- Stochastic bitstream-based vision and learning machines
Stokastik bit akışı tabanlı görü ve öğrenme makineleri
SERCAN AYGÜN
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- RTFA ile sistem tanıma ve nöral-bulanık kontrol-
Başlık çevirisi yok
ZEKERİYA UYKAN
Yüksek Lisans
Türkçe
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. İBRAHİM KESKİN
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN