Diplomová práce v programech, specializacích Softwarové inženýrství, Inteligentní počítačové systémy.
Modely neuronových sítí (zejména pokud se jedná o složitější modely spadající do tzv. oblasti hlubokého učení) často obsahují řadu volitelných parametrů, které jsou předem dány a nelze je přímo optimalizovat při trénování modelů. Takové parametry nazýváme hyper-parametry. Pro dosažení optimálních výsledků je však záhodno optimalizovat i tyto hyper-parametry. To je výpočetně velmi náročné, neboť se musí spustit trénování se zadanou množinou hyper-parametrů a natrénovaný model je nutné vyhodnotit.
V rámci tohoto zadání budeme využívat knihovnu Ray Tune (https://ray.readthedocs.io/en/latest/tune.html) a propojíme ji s Českým výpočetní clusterem Metacentrum (https://www.metacentrum.cz/). Vaše aplikace se bude skládat z centrálního řídícího uzlu a výpočetních uzlů. Řídící uzel v plánovacím prostředí výpočetního clusteru spustí několik výpočetních uzlů a na ty pošle jednotlivé výpočty. Konfigurace, sledování a řízení jednotlivých výpočtu bude koordinována nástrojem Ray Tune.
Součástí řešení bude návrh API pro nástroje Tensorflow a PyTorch. V případě splnění tohoto API nebude potřeba žádná další konfigurace řídícího uzlu. Řešení musí umožňovat využití řídícího uzlu i bez programového API. V takovém případě bude řídící uzel ovládán REST API. Tento návrh bude demonstrován na třech ukázkách pro Tensorflow, PyTorch a využití REST API. Volba úlohy pro demonstraci je na diplomantovi.
Řídící uzel bude poskytovat možnost základního monitoringu na webové stránce.
Téma vypsal: Ing. Miloslav Konopík, Ph.D. (UN 334)
Vypsáno pro akademický rok 2020/2021 dne: 2020-04-19
Toto téma je sice volné, ale protože bylo vypsáno pro akademický rok 2020/2021, tak ho již nelze rezervovat. Pro případné bližší informace kontaktujte osobu, která téma vypsala.