Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12008/23002
Cómo citar
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Pardo, Alberto | - |
dc.contributor.advisor | Viera, Marcos | - |
dc.contributor.author | Piñeyro, Leonardo | - |
dc.date.accessioned | 2020-02-03T18:15:55Z | - |
dc.date.available | 2020-02-03T18:15:55Z | - |
dc.date.issued | 2019 | - |
dc.identifier.citation | Piñeyro, L. Verificación de estructura de redes neuronales profundas en tiempo de compilación: Proyecto TensorSafe [en línea]. Tesis de grado. Montevideo: Udelar. FI. INCO, 2019. | es |
dc.identifier.uri | https://hdl.handle.net/20.500.12008/23002 | - |
dc.description.abstract | Este documento presenta TensorSafe, una biblioteca desarrollada en Haskell que permite la definición y validación estructural de arquitecturas de redes neuronales. En la actualidad, el proceso de desarrollo de modelos de aprendizaje profundo ha sido ampliamente simplificado debido a la disponibilidad de herramientas en la industria. Sin embargo, la mayoría de estas herramientas no provee ningún control de consistencia estructural en tiempo de compilación, haciendo que los desarrolladores tengan que lidiar con errores inesperados en tiempo de ejecución. En particular, la validación estructural de redes neuronales profundas en tiempo de compilación es una tarea compleja, la cual involucra la validación matemática de todas las operaciones que el modelo de aprendizaje profundo va a realizar. Este chequeo estructural requiere un uso avanzado de los sistemas de tipos para la manipulación de tipos abstractos capaces de modelar la construcci ón de redes neuronales. El uso del paradigma de programación funcional y la programación a nivel de tipos que provee el lenguaje Haskell fueron de particular importancia al momento del desarrollo de Tensor-Safe. La evaluación experimental realizada muestra que usando TensorSafe es posible la construcción y validación de modelos de aprendizaje profundo bien conocidos, como lo son AlexNet o ResNet50. | es |
dc.format.extent | 48 p. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | es | es |
dc.rights | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
dc.subject | Programación a nivel de tipos | es |
dc.subject | Aprendizaje profundo | es |
dc.subject | Computación confiable | es |
dc.subject | Programación funcional | es |
dc.subject | Haskell | es |
dc.subject.other | REDES NEURONALES | es |
dc.title | Verificación de estructura de redes neuronales profundas en tiempo de compilación: Proyecto TensorSafe | es |
dc.type | Tesis de grado | es |
dc.contributor.filiacion | Piñeyro Leonardo, Universidad de la República (Uruguay). Facultad de Ingeniería | - |
thesis.degree.grantor | Universidad de la República (Uruguay). Facultad de Ingeniería | es |
thesis.degree.name | Licenciado en Computación | es |
dc.rights.licence | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) | es |
Aparece en las colecciones: | Tesis de grado - Instituto de Computación |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | ||
---|---|---|---|---|---|
PIÑ19.pdf | Tesis de grado | 724,62 kB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons