| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Mašīnmācīšanās modeļu kompresijas paņēmienu salīdzinošā analīze tīmekļa lietotņu izstrādē |
| Nosaukums angļu valodā |
Comparative Analysis of Machine Learning Model Compression Techniques in Web Application Development |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Padmaraj Nidagundi |
| Recenzents |
Valdis Saulespurēns |
| Anotācija |
Šajā bakalaura darbā tiek salīdzinātas mašīnmācīšanās modeļu kompresijas metodes tīmekļa lietojumprogrammu izstrādes kontekstā. Mūsdienu mašīnmācīšanās modeļi ir kļuvuši lieli un prasa ievērojamus skaitļošanas resursus, kas apgrūtina to darbināšanu tīmekļa pārlūkā atmiņas ierobežojumu, lēnas JavaScript izpildes un pārlūkiem raksturīgo aparatūras ierobežojumu dēļ. Darbā tiek pētītas četras kompresijas metodes, proti, kvantizācija, apgriešana, zināšanu destilācija un zema ranga dekompozīcija, kas pielietotas MobileNetV2 un ResNet50 modeļiem, kuri apmācīti uz CIFAR-10 datu kopas. Tiek novērtēts arī kombinēts cauruļvads, kas secīgi pielieto apgriešanu, zināšanu destilāciju un kvantizāciju. Apmācības un kompresijas eksperimenti tika veikti divos posmos. Pirmajā posmā tika izmantots Google Colab ar vienu NVIDIA Tesla T4 grafisko procesoru, un tika identificēti metodoloģiski ierobežojumi. Otrajā posmā tika izmantots Kaggle ar diviem NVIDIA Tesla T4 grafiskajiem procesoriem un piemēroti uzlabojumi, lai iegūtu pētījuma galvenos rezultātus. Izvietošana un inferēšanas testēšana pārlūkā tika veikta, izmantojot TensorFlow.js versiju 4.2.0 un ONNX Runtime Web versiju 1.17.1 uz Chromium bāzēta pārlūka ar WebAssembly un WebGL apstrādes vienībām. Rezultāti tiek mērīti pēc modeļa izmēra, inferēšanas ātruma, prognozēšanas precizitātes, enerģijas patēriņa un pārlūka lietotāja pieredzes kvalitātes rādītājiem. Kvantizācija sasniedza augstāko kompresijas pakāpi aptuveni 11 reizes ar nelielu precizitātes zudumu un ātrāko inferēšanas ātrumu pārlūkā. Zināšanu destilācija uzlaboja precizitāti virs pamatlīnijas abiem modeļiem, vienlaikus nodrošinot aptuveni 3 reižu kompresiju. Kombinētais cauruļvads sasniedza augstāko kopējo kompresiju līdz 11.92 reizēm, saglabājot precizitāti 1 līdz 2 procentpunktu robežās no pamatlīnijas. Pētījumā arī identificēti TensorFlow.js izvietošanas ierobežojumi kvantizētajiem modeļiem un piedāvāts to risinājums, izmantojot ONNX Runtime Web kā alternatīvu izpildlaiku. Iegūtie rezultāti sniedz uz pierādījumiem balstītas vadlīnijas par kompresijas metožu izvēli un apvienošanu, lai efektīvi izvietotu mašīnmācīšanās modeļus tīmekļa pārlūkā.
Darbs ir uzrakstīts angļu valodā un sastāv no 6 nodaļām, 84 lappusēm, 11 tabulām, 10 attēliem, 1 pielikuma un 29 izmantotās literatūras avotiem. |
| Atslēgas vārdi |
Atslēgvārdi: modeļu kompresija, kvantizācija, apgriešana, zināšanu destilācija, tīmekļa lietojumprogramma, TensorFlow.js, inferēšana pārlūkā |
| Atslēgas vārdi angļu valodā |
Keywords: model compression, quantization, pruning, knowledge distillation, web application, TensorFlow.js, browser inference |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 21:46:35 |
