Применение нейросетевых технологий в задаче контроля поверхностных дефектов.
ст. препод. Цуроев И.М.
ФГБОУ ВО «Ингушский государственный университет»
Физико-математический факультет
Кафедра «Информационные системы и технологии»
Быстрое развитие новых технологий для управления информацией, извлечения, оценки и объединения знаний, а также внедрение новых вычислительных парадигм для поддержки таких задач окажут значительное влияние на создание компьютерных систем следующего поколения. Инновационный и эффективный. Решения по управлению информацией и услугами для сетевых сред и повсеместных вычислений.
Такой подход к проведению вычислительно сложных задач эффективен, особенно при выполнении семантического анализа полученной информации и предоставлении распределенных или удаленных услуг с учетом предпочтений пользователей и социальных требований.
Технологии крупномасштабных распределенных вычислений, такие как облачные, сетевые, кластерные и суперкомпьютеры высокопроизводительных вычислений, эволюционировали благодаря революционному появлению многоядерных конструкций (графические процессоры, процессоры на отдельных микросхемах, суперкомпьютеры на микросхемах). Значительный прогресс в создании сетей и межсетевых соединений. Это затрудняет интеграцию различных вычислительных сред, инфраструктур, платформ и технологий. Хотя суперкомпьютеры могут решать множество задач, они в основном используются для научных исследований из-за своей высокой стоимости. Распространение данных, доступность оборудования, неоднородность программного обеспечения и огромное количество научных проблем обусловлены потребностью в более доступных вычислительных ресурсах, создаваемых, например, путем соединения кластеров систем GRID.
GRID-вычисления — это новая форма распределенных вычислений. Он предоставляет расширенные вычислительные модели и общие модели для решения больших и ресурсоемких задач. Вычисления GRID используются для предоставления пользователям различных услуг через географически распределенные, динамические и разнородные ресурсы. В расчетах GRID, когда сетевые ресурсы перегружены, балансировка нагрузки играет жизненно важную роль в перераспределении пользовательских задач. За последние несколько лет разработчики предложили множество стратегий балансировки нагрузки для уменьшения времени отклика, накладных расходов на связь, полосы пропускания и использования ресурсов. Несомненно, преимущество заключается в низких финансовых вложениях для достижения поставленной задачи необходимости выделенных мощностях. Распределенные системы на базе персонального компьютера (ПК) — это самое дешевое решение, обеспечивающее относительно высокую производительность в несколько петафлопс, что позволяет использовать суперкомпьютеры вместо суперкомпьютеров для большинства ресурсоемких задач.
В области программного обеспечения существует множество инструментов для организации распределенных вычислений. Примеры включают набор инструментов Globus, Alchemi .NET Framework, X-Com, BOINC.
Инновация применения обычных компьютеров для создания распределенных систем основана на использовании так называемых свободных ресурсов, которые не участвуют в работе, выполняемой пользователями вычислительных узлов. В настоящее время BOINC — самая известная открытая программная платформа, созданная исследователями из Калифорнийского университета для реализации вычислений GRID. На основе этого вы можете создавать распределенные системы в локальном и глобальном масштабе. Система BOINC состоит из программного клиента, составного сервера и специального программного обеспечения. Для выполнения распределенных вычислений используется архитектура клиент-сервер, в которой связь между сервером и клиентом осуществляется через Интернет.
У всех систем подобного рода есть ряд недостатков – необходимость установки и настройки на стороне клиента специализированного программного обеспечения, а также сложность объединения разнородных вычислительных ресурсов (таких как GPU, FPGA и т.д.) в единую распределенную систему.
Проанализировав требования, предъявляемые к гетерогенной системе для распределенных вычислений, и существующие решения в области построения GRID-систем, было принято решение по созданию собственной системы распределенных вычислений с применением платформы .NET Framework.
Перечень используемых информационных ресурсов
- R. Bekkerman, M. Bilenko, J. Langford, Scaling Up Machine Learning, Cambridge University Press, January 2012.
- Mitchell, T. (1997). Machine Learning. McGraw Hill.
- Goodfellow, Ian, Yoshua Begnio, and Aaron Courville. 2016. Deep Learning. Cambridge: MIT Press.
- Hady M.F.A., Schwenker F. (2013). Semi-supervised Learning. In: Bianchini M., Maggini M., Jain L. (eds) Handbook on Neural Information Processing. Intelligent Systems Reference Library, vol 49. Springer, Berlin, Heidelberg
- Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton. 2012. ImageNet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems — Volume 1 (NIPS’12), F. Pereira, C. J. C. Burges, L. Bottou, and K. Q. Weinberger (Eds.), Vol. 1. Curran Associates Inc., USA, 10971105.
- Kotsiantis, S.B. (2007). Supervised Machine Learning: A Review of Classification Techniques. Informatica 31:249-268.
- R. A. Fisher (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics. 7 (2): 179-188
- A. Eitel, J. T. Springenberg, L. Spinello, M. Riedmiller, and W. Burgard (2015). Multimodal Deep Learning for Robust RGB-D Object Recognition. In: Proceedings of 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 681âĂŞ687.
- B. Baharudin, L.H. Lee, K. Khan (2010). A review of machine learning algorithms for textdocuments classification, In: Journal of Advances in Information Technology 1:4âĂŞ20.
- Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P.S., Zhou, Z.H.,Steinbach, M., Hand, D. J., and Steinberg, D. 2007. Top 10 Algorithms in Data Mining, Knowledge and Information Systems (14:1), pp. 1-37.
