Realization of neural networks using Graphics Processing Units

Tato práce se věnuje umělým neuronovým sítím a rychlosti jejich trénování. Teoretická část bakalářské práce popisuje historii umělých neuronových sítí, výhody grafických procesorů pro neuronové sítě, vybrané optimalizační algoritmy a strukturu konvolučních neuronových sítí. Sestavení neuronové sítě je řešeno použitím programovacího jazyku Python~3.7 s užitím knihoven Tensorflow a Keras. Porovnání rychlostí trénování je provedeno na trénovacích množinách MNIST a CIFAR-10. Získané výsledky ukazují výrazné zrychlení trénování pomocí GPU, i na jednoduchých problémech.ObhájenoThis thesis deals with artificial neural networks and the speed of their training. The theoretical part of the thesis describes the history of artificial neural networks, the advantages of graphical processors for neural networks, selected optimization algorithms and the structure of convolutional neural networks. The neural network is constructed using the Python 3.7 programming language, using the Tensorflow and Keras libraries. Training speed comparisons are made on MNIST and CIFAR-10 datasets. The obtained results show a significant acceleration of neural network training using GPU, even on simple problems