Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Evolution Strategies for Deep Neural Network Models Design

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00478624" target="_blank" >RIV/67985807:_____/17:00478624 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://ceur-ws.org/Vol-1885/159.pdf" target="_blank" >http://ceur-ws.org/Vol-1885/159.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Evolution Strategies for Deep Neural Network Models Design

  • Popis výsledku v původním jazyce

    Deep neural networks have become the state-of art methods in many fields of machine learning recently. Still, there is no easy way how to choose a network architecture which can significantly influence the network performance. This work is a step towards an automatic architecture design. We propose an algorithm for an optimization of a network architecture based on evolution strategies. The algorithm is inspired by and designed directly for the Keras library [3] which is one of the most common implementations of deep neural networks. The proposed algorithm is tested on MNIST data set and the prediction of air pollution based on sensor measurements, and it is compared to several fixed architectures and support vector regression.

  • Název v anglickém jazyce

    Evolution Strategies for Deep Neural Network Models Design

  • Popis výsledku anglicky

    Deep neural networks have become the state-of art methods in many fields of machine learning recently. Still, there is no easy way how to choose a network architecture which can significantly influence the network performance. This work is a step towards an automatic architecture design. We propose an algorithm for an optimization of a network architecture based on evolution strategies. The algorithm is inspired by and designed directly for the Keras library [3] which is one of the most common implementations of deep neural networks. The proposed algorithm is tested on MNIST data set and the prediction of air pollution based on sensor measurements, and it is compared to several fixed architectures and support vector regression.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings ITAT 2017: Information Technologies - Applications and Theory

  • ISBN

    978-1974274741

  • ISSN

    1613-0073

  • e-ISSN

  • Počet stran výsledku

    8

  • Strana od-do

    159-166

  • Název nakladatele

    Technical University & CreateSpace Independent Publishing Platform

  • Místo vydání

    Aachen & Charleston

  • Místo konání akce

    Martinské hole

  • Datum konání akce

    22. 9. 2017

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku