Čavić, B. (2018). Reproduzierbarkeit von Deep Learning Datenanalysen [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2018.48203
E188 - Institut für Softwaretechnik und Interaktive Systeme
-
Date (published):
2018
-
Number of Pages:
88
-
Keywords:
Maschinelles Lernen; Neuronale Netze; Deep Learning; Reproduzierbarkeit
de
Machine Learning; Neural Networks; Deep Learning; Reproducibility
en
Abstract:
Deep Learning floriert in den letzten Jahren und wird dank der derzeit verfügbaren Rechenleistung von Computersystemen immer mehr eingesetzt. Große IT-Unternehmen wie Google oder Facebook nutzen Deep Learning Algorithmen in ihrem Tagesgeschäft. Daher ist die Reproduzierbarkeit von Forschungsarbeiten, die Deep Learning Algorithmen beinhalten, ein entscheidender Faktor. Diese Masterarbeit konzentriert sich auf die Analyse des Einflusses verschiedener Betriebssysteme sowie verschiedener Deep Learning Frameworks. Zu diesem Zweck wird das gleiche Deep Learning Modell in drei sehr populären Frameworks (TensorFlow, Theano und Deeplearning4J) erstellt und ausgeführt. Darüber hinaus werden verschiedene Versionen dieser Frameworks berücksichtigt, da einige von ihnen möglicherweise wichtige Methoden auf andere Weise implementieren. Danach wird das Modell auf sieben Betriebssystemversionen ausgeführt. Zusätzlich werden verschiedene Versionen der verwendeten Ausführungsplattform (Python und Java) berücksichtigt. Die erhaltenen Modellergebnisse werden analysieren und testen, ob die Ergebnisse durch den Ausführungskontext beeinflusst werden.
de
Deep Learning is thriving in recent years and finding increasing deployment thanks to the currently available processing power of computer systems. Big IT companies like Google or Facebook use Deep Learning algorithms in their daily business. Therefore, the reproducibility of research based upon Deep Learning algorithms is a crucial factor. This master thesis will focus on analyzing the influence of different operating systems as well as different Deep Learning frameworks. For this purpose, the same Deep Learning model is constructed and executed in three very popular frameworks (TensorFlow, Theano and Deeplearning4J). Further, different versions of these frameworks are considered as maybe some of them may implement crucial methods in a different way. Afterwards, the model is executed on seven operating system versions. Additionally, different versions of the used execution platform (Python and Java) will be considered. Finally, this thesis focuses on analyzing all obtained model results and testing if the results are significantly different when changing the execution context.
