Objekterkennung mit künstlichen neuronalen Netzen
|
|
- Tristan Braun
- vor 6 Jahren
- Abrufe
Transkript
1 Objekterkennung mit künstlichen neuronalen Netzen Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar, Sommersemester 2013
2 1. Motivation 2. Objekterkennung 3. neuronale Netze 3.1 natürliche neuronale Netze 3.2 künstliche neuronale Netze 4. Implementierung des Netzes 4.1 Modellbildung 4.2 Backpropagation-Algorithmus 4.3 Implementierung 4.4 Probleme 5. Vorstellung der Ergebnisse 5.1 Hardware 5.2 Messergebnisse 6. Ausblicke 2
3 1. Motivation Objekterkennung und verfolgung: vielfältige Anwendungsmöglichkeiten militärisch (Zielverfolgung) Kraftfahrzeuganwendungen (Fußgängererkennung) Robotikanwendungen (opt. Erfassung von Werkstücken, Spielzeug) 3
4 1. Motivation Einsatz von neuronalen Netzen Faszination von lernfähigen Computerprogrammen 4
5 1. Motivation 2. Objekterkennung 3. neuronale Netze 4. Implementierung des Netzes 5. Vorstellung der Ergebnisse 6. Ausblicke 5
6 2. Objekterkennung Aufgabe: Bekanntes Objekt in unbekannten Bildern wiedererkennen Probleme: - verschiedene Größen von Bildern - unterschiedliche Entfernung zum Objekt (Größe und Skalierung) - unterschiedliche Positionierung des Objekts in dem Bild 6
7 2. Objekterkennung Abtastung: Probleme: Welche Größenverhältnisse? Welchen Ausschnitt? gerichtete Abtastung und Skalierung oder zufällige Bildbetrachtung? 7
8 Gliederung 1. Grundidee 2. Objektverfolgung 3. Neuronale Netze 3.1 natürliche neuronale Netze 3.2 künstliche neuronale Netze 4. Implementierung des Netzes 5. Vorstellung der Ergebnisse 6. Ausblicke 8
9 3. Neuronale Netze 3.1 Neuronale Netze natürliche neuronale Netze 9
10 3. Neuronale Netze 3.2 Neuronale Netze künstliche neuronale Netze - Allgemein Eingangsgrößen float(0 1) Genereller Aufbau: Eingangsneuronen Hidden-Neuronen Ausgangsneuron float(0 1) 10
11 3. Neuronale Netze 3.2 Neuronale Netze künstliche neuronale Netze - Allgemein net j = Σ i (Eingangswert i * Gewicht ij ) F(net) = 1+e 1 net θ = float (0 1) θ Schwellwert Sigmoid-Aktivierungs-Funktion 11
12 3. Neuronale Netze 3.2 Neuronale Netze künstliche neuronale Netze Lernen erfolgt durch Gewichtsanpassung! Lernregeln: Hebb sche Lernregel Delta-Regel Backpropagation Verfahren (verwendete Lernregel) kompetitives Lernen 12
13 Gliederung 1. Grundidee 2. Objektverfolgung 3. Neuronale Netze 4. Implementierung des Netzes 4.1 Modellbildung 4.2 Backpropagation-Algorithmus 4.3 Implementierung 4.4 Probleme 5. Vorstellung der Ergebnisse 6. Ausblicke 13
14 4. Implementierung des Netzes 4.1 Modellbildung Genereller Aufbau: Bitmap Daten Eingangsneuronen: Schicht i Hidden-Neuronen: Schicht j F(net) Ausgangsneuronen: Schicht k float = pixel_value 255 F(net) Indizes ab hier i j k 14
15 4. Implementierung des Netzes 4.1 Modellbildung Modellbildung: Neuronenvektoren: Eingangsvektor Hiddenvektor Ausgangsvektor inputs[input_size] hidden[hidden_size] outputs[output_size] Gewichtsmatrizen: weights_ij [input_size][hidden_size] weights_jk [hidden_size][output_size] 15
16 4. Implementierung des Netzes 4.2 Backpropagation-Algorithmus Grundsätzliches: Ziel des Algorithmus ist es für bestimmte Eingangswerte (Lernvektoren) die Gewichte so anzupassen, dass ein gewünschter Ausgangswert erzeugt wird. Folglich Minimierung des Ausdrucks: Ausgangswert ist Ausgangswert soll Gewichtsanpassung propagiert vom Ausgang zum Eingang 16
17 4. Implementierung des Netzes 4.2 Backpropagation-Algorithmus Lernen erfolgt von der Ausgangsschicht in Richtung Eingangsschicht Gewichte werden inital zufällig mit Werten belegt (-0,5.0,5) Literaturvorgabe Anpassung der Gewichte mit den Formeln: w jk = η δ k O j w ij = η δ j O i θ j = η δ j Für x y mit: η: Schrittweite δ y : Ableitungsfaktor O x : Ausgangswert des Neurons x w xy : Gewichtsänderung von Neuron x in Richtung Neuron y 17
18 4. Implementierung des Netzes 4.2 Backpropagation-Algorithmus Berechnung von δ y Für ein Ausgangsneuron: δ k = O k (1 O k ) (O k t k ) Für ein Hiddenneuron: Mit: t k - Zielwert Minimierung von (O k t k ) δ j = O j 1 O j k K δ k wj k Ableitung der Sigmoid-Funktion: 1 1 (1 1 + e net+θ 1 + e net+θ) 18
19 4. Implementierung des Netzes 4.3 Implementierung in C++ for(int k = 0; k <= output_size - 1; k++){ delta_k[k] = outputs[k] * (1 - outputs[k]) * (outputs[k] - target[k]); } for(int j = 0; j <= hidden_size - 1; j++){ sum_d_w = 0; for(int k = 0; k <= output_size - 1; k++){ sum_d_w += delta_k[k] * weights_jk[j][k]; } delta_j[j] = hidden[j] * (1 - hidden[j]) * sum_d_w; } for(int k = 0; k <= output_size - 1; k++){ for(int j = 0; j <= hidden_size - 1; j++){ weights_jk[j][k] += -stepsize * delta_k[k] * hidden[j]; } } for(int j = 0; j <= hidden_size - 1; j++){ for(long int i = 0; i <= input_size- 1; i++){ weights_ij[i][j] += -stepsize * delta_j[j] * inputs[i]; } theta[j] += -stepsize * delta_j[j]; } CUDA 19
20 4. Implementierung des Netzes 4.3 Implementierung Abschätzung Eingangsgröße bei VGA-Auflösung: (Bsp.: 320 x 200 RGB) 320 x 200 x 3 = Eingangsvektor: Einträge Bei ca. 1 / 3 = Anzahl Hidden / Anzahl Eingänge (Richtwert) Hidden-Neuronen x = ,78 GB große Gewichtsmatrix (4 Byte float) Beschränkung der Hidden-Neuronen auf ca. 100 damit: x 100 = ,24 MB große Gewichtsmatrix 20
21 4. Implementierung des Netzes 4.3 Implementierung in CUDA global void adjust_weights(float *weights_i_o, float stepsize, float *delta_i_o, float *inputs, int width_max, long int height_max, size_t pitch) { } int idx = blockidx.x * blockdim.x + threadidx.x; int idy = blockidx.y * blockdim.y + threadidx.y; if ((idx < height_max) && (idy < width_max)){ long int index = idx * (pitch/sizeof(float)) + idy; weights_i_o[index] += -stepsize * delta_i_o[idy] * inputs[idx]; w xy = η δ y O x 21
22 4. Implementierung des Netzes 4.4 Probleme Netz lernte anfangs Bilder wiederzuerkennen aber Falschbilder nicht auszuschließen Lösung abwechselndes Lernen von Lernvektoren und Rauschen bei unterschiedlichen Outputs Ständiger Wechsel der Lernvektoren Häufige Aufrufe von cudamalloc() / cudamallocpitch() und cudamemcpy() / cudamemcpy2d() Bottleneck Geringe Anzahl an Hiddenneuronen kann u.u. zu schlechten Ergebnissen führen mehr Hiddenneuronen mehr Speicherverbrauch größere Ausführungszeit von cudamemcpy() Netz generell sensibel bzgl. der Parameter (zb. Zu große Schrittweite führt unweigerlich zu Oszillation) 22
23 Gliederung 1. Grundidee 2. Objektverfolgung 3. Neuronale Netze 4. Implementierung des Netzes 5. Vorstellung der Ergebnisse 5.1 Hardware 5.2 Messergebnisse 6. Ausblicke 23
24 5. Ergebnisse 5.1 Hardware CPU: Intel GHz Intel Xeon GHz AMD FX GHz GPU: Tesla K Stream Prozessoren 24
25 5. Ergebnisse 5.2 Messergebnisse Execution time in ms x1.625 Crossover Input_size K20 25
26 6. Ausblick Weitere Optimierungsmöglichkeiten Verlagerung aller Lerndaten in den GPU Speicher Portierung des gesamten Lernvorgangs, inklusive Lernvektorwechsel auf die GPU Gewichtmatrizen ebenfalls parallel anpassen, nicht wie bisher von Schicht zu Schicht Implementierung von Suchalgorithmen zur Objektverfolgung 26
27 Vielen Dank für ihre Aufmerksamkeit!
Einführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrProgrammierbeispiele und Implementierung. Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de
> Programmierbeispiele und Implementierung Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de 2 > Übersicht > Matrix Vektor Multiplikation > Mandelbrotmenge / Apfelmännchen berechnen > Kantendetektion
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrTechnische Universität. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik VI Neuronale Netze - Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Betreuer: Dr. Florian
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
MehrComputational Intelligence I Künstliche Neuronale Netze
Computational Intelligence I Künstliche Neuronale Nete Universität Dortmund, Informatik I Otto-Hahn-Str. 6, 44227 Dortmund lars.hildebrand@uni-dortmund.de Inhalt der Vorlesung 0. Organisatorisches & Vorbemerkungen.
Mehr(künstliche) Neuronale Netze. (c) Till Hänisch 2003,2015, DHBW Heidenheim
(künstliche) Neuronale Netze (c) Till Hänisch 2003,2015, DHBW Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Aufbau des Gehirns Säugetiergehirn,
MehrNeuronale Netze in der Robotik
Seminarvortrag Neuronale Netze in der Robotik Datum: 18.01.2002 Vortragende: Elke von Lienen Matrikelnummer: 302489 Studiengang: Informatik Inhaltsverzeichnis Einleitung 3 Biologisches Vorbild 4 Künstliche
MehrCloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2.
Cloud Computing Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar, Sommersemester 2013 1. Definition
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrSimulation neuronaler Netzwerke mit TIKAPP
Überblick Michael Hanke Sebastian Krüger Institut für Psychologie Martin-Luther-Universität Halle-Wittenberg Forschungskolloquium, SS 2004 Überblick Fragen 1 Was sind neuronale Netze? 2 Was ist TIKAPP?
MehrInnovative Information Retrieval Verfahren
Thomas Mandl Innovative Information Retrieval Verfahren Hauptseminar Wintersemester 2004/2005 Letzte Sitzung Grundlagen Heterogenität Ursachen Beispiele Lösungsansätze Visualisierung 2D-Karten heute Maschinelles
MehrVom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung
Vom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung Johannes Schemmel Forschungsgruppe Electronic Vision(s) Lehrstuhl Prof. K. Meier Ruprecht-Karls-Universität Heidelberg Mitarbeiter:
MehrUniversität zu Köln Seminar: Künstliche Intelligenz II Dozent: Claes Neuefeind SS 2012. Neuronale Netze. Von Deasy Sukarya & Tania Bellini
Universität zu Köln Seminar: Künstliche Intelligenz II Dozent: Claes Neuefeind SS 2012 Neuronale Netze Von Deasy Sukarya & Tania Bellini Einführung Symbolische vs. Sub-symbolische KI Symbolische KI: Fokussierung
Mehr(künstliche) Neuronale Netze. (c) Till Hänisch 2003, BA Heidenheim
(künstliche) Neuronale Netze (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Warum? Manche Probleme (z.b. Klassifikation)
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrEntwicklung von Methoden zum Nachweis von ökologisch erzeugten Produkten am Beispiel der Lachszucht - Neronale Netzanalyse -
Entwicklung von Methoden zum Nachweis von ökologisch erzeugten Produkten am Beispiel der Lachszucht - Neronale Netzanalyse - Development of Methods to Detect Products Made from Organic Salmon FKZ: 02OE073/1
MehrLernstrategien für Neuronale Netze - Der Backpropagation-Algorithmus
Lernstrategien für Neuronale Netze - Der Backpropagation-Algorithmus Im Unterschied zu den bisher behandelten NNs mit Schwellwertfunktionen sind die NNs mit stetig differenzierbaren nichtlinearen Aktivierungsfunktionen
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrOpenCL Implementierung von OpenCV Funktionen
Multi-Core Architectures and Programming OpenCL Implementierung von OpenCV Funktionen julian.mueller@e-technik.stud.uni-erlangen.de Hardware/Software Co-Design August 18, 2011 1 Table of content 1 OpenCL
MehrGPGPU Programming nvidia CUDA vs. AMD/ATI Stream Computing. Seminar HWS 08/09 by Erich Marth
Computing 1 Inhalt Einführung nvidia CUDA AMD Stream Computing CUDA vs. Stream Computing - Warum, Vorteile, Motivation - Überblick, API - Details, Beispiele - Überblick, API - Details, Beispiele - wesentliche
MehrDas Perzeptron. Künstliche neuronale Netze. Sebastian Otte. 1 Grundlegendes. 2 Perzeptron Modell
Fachbereich Design Informatik Medien Studiengang Master Informatik Künstliche neuronale Netze Das Perzeptron Sebastian Otte Dezember 2009 1 Grundlegendes Als Perzeptron bezeichnet man eine Form von künstlichen
MehrEinführung in. Neuronale Netze
Grundlagen Neuronale Netze Einführung in Neuronale Netze Grundlagen Neuronale Netze Zusammengestellt aus: Universität Münster: Multimediales Skript Internetpräsentation der MFH Iserlohn (000) U. Winkler:
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Tobias Stähle 23.05.2014 1 Einführung 1.1 Was ist Machine Learning? Während am Anfang Computer noch auf das reine Ausrechnen beschränkt waren
MehrFarbe des Covers Intel Celeron M 370 (1 MB, 1,5 GHz, 400 MHz FSB)
K1-222EG Stromverbrauch Intel Celeron M 370 (1 MB, 1,5 GHz, 400 MHz FSB) 60 GB P-ATA (4.200 rpm) Intel Pro/ 2200BG (802.11 b/g) : Abmessungen: (B x T x H) mm ** 330 x 275 x 25 Gewicht mit 6 Zellen ***
MehrINDEX. Netzwerk Überblick. Benötigte Komponenten für: Windows Server 2008. Windows Server 2008 R2. Windows Server 2012
INDEX Netzwerk Überblick Benötigte Komponenten für: Windows Server 2008 Windows Server 2008 R2 Windows Server 2012 Windows SQL Server 2008 (32 Bit & 64 Bit) Windows SQL Server 2012 Client Voraussetzungen
MehrParallele Programmierung mit GPUs
Parallele Programmierung mit GPUs Jutta Fitzek Vortrag im Rahmen des Moduls Parallele Programmierung, WS12/13, h_da Agenda GPUs: Historie GPU Programmierung Konzepte Codebeispiel Generelle Tipps & Tricks
MehrSystemvoraussetzungen
Systemvoraussetzungen INDEX Netzwerk Überblick Benötigte n für: Windows Server 2008 Windows Server 2008 R2 Windows Server 2012 Windows SQL Server 2008 (32 Bit & 64 Bit) Windows SQL Server 2012 Client Voraussetzungen
MehrGPGPU mit NVIDIA CUDA
01.07.12 GPGPU mit NVIDIA CUDA General-Purpose on Formatvorlagecomputing des Graphics Processing durch Units Untertitelmasters mit KlickenCompute bearbeiten NVIDIA Unified Device Architecture Gliederung
MehrULM. Intelligenter Greifarm. ZfP-Sonderpreis der DGZfP beim Regionalwettbewerb Jugend forscht. Michael Awiszus Niklas Haas
ZfP-Sonderpreis der DGZfP beim Regionalwettbewerb Jugend forscht ULM Intelligenter Greifarm Michael Awiszus Niklas Haas Schule: GHRS Sontheim Neustraße 60-62 89567 Sontheim Robert-Bosch-Gymnasium Freistegstraße
MehrTechnische Voraussetzungen
Technische Voraussetzungen Um NextPhysio Videos abspielen zu können, müssen ihr Computer und ihre Internetverbindung bestimmte Anforderungen erfüllen. Hier finden Sie alles - übersichtlich aufbereitet
MehrDie Bildbearbeitungssprache Halide
Die Bildbearbeitungssprache Halide Dominik Danner 13.06.2013 Dominik Danner Die Bildbearbeitungssprache Halide 13.06.2013 1 / 30 Inhaltsverzeichnis 1 Einführung Die Domäne der Bildbearbeitung Einführungsbeispiel
MehrNeuronale Netze in Go
Neuronale Netze in Go Diplomarbeit von Stefan Heinje 10. Februar 2010 Betreuer: Prof. J. Fürnkranz Technische Universität Darmstadt Fachbereich Informatik Institut für Knowledge Engineering Zusammenfassung
MehrTechnische Voraussetzungen
Technische Voraussetzungen Um NewMoove Videos abspielen zu können, müssen dein Computer und deine Internetverbindung bestimmte Anforderungen erfüllen. Hier findest du alles - übersichtlich aufbereitet
MehrWas bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
MehrNeuronale Netze Eine Einführung
Neuronale Netze Eine Einführung Druckversion der Internetseite www.neuronalesnetz.de Inhaltsverzeichnis Grundlagen Einleitung Units Verbindungen Input Aktivität Training und Test Matrizendarstellung Zfs.
MehrEyeCheck Smart Cameras
EyeCheck Smart Cameras 2 3 EyeCheck 9xx & 1xxx Serie Technische Daten Speicher: DDR RAM 128 MB FLASH 128 MB Schnittstellen: Ethernet (LAN) RS422, RS232 (nicht EC900, EC910, EC1000, EC1010) EtherNet / IP
MehrSCHEIDBACH Computerhandel KG EDV-FACHBETRIEB MIT PERSÖNLICHER BERATUNG ASUS - LENOVO - TOSHIBA FUJITSU - HP. Notebook Preisliste. JUNI/Juli 2015-1 ***
SCHEIDBACH Computerhandel KG EDV-FACHBETRIEB MIT PERSÖNLICHER BERATUNG ASUS - LENOVO - TOSHIBA FUJITSU - HP Notebook Preisliste JUNI/Juli 2015-1 *** Achtung: wir verkaufen unsere Notebooks ausschließlich
MehrGigE Vision Kamera Line up Die Kompakte mit exzellenter Bildqualität
GigE Vision Kamera Line up Die Kompakte mit exzellenter Bildqualität Ultra Kompakt 29 x 29 x 40 mm 50 x 50 x 47 mm (5 MP CCD) High Quality Image mit Sony CCDs Breites Line Up von VGA bis 5 MP Frame Raten
MehrBlockseminar: Verteiltes Rechnen und Parallelprogrammierung. Sommer Semester 2015. Tim Conrad
Blockseminar: Verteiltes Rechnen und Parallelprogrammierung Sommer Semester 2015 Tim Conrad Staff Tim Conrad AG Medical Bioinformatics email: conrad@math.fu-berlin.de Telefon: 838-51445 Büro: Raum 138,
MehrStaff. Tim Conrad. Zeitplan. Blockseminar: Verteiltes Rechnen und Parallelprogrammierung. Sommer Semester 2013. Tim Conrad
Blockseminar: Verteiltes Rechnen und Parallelprogrammierung Sommer Semester 2013 Tim Conrad Staff Tim Conrad AG Computational Proteomics email: conrad@math.fu-berlin.de Telefon: 838-51445 Büro: Raum 138,
MehrAufbau und Funktionsweise eines Computers
Aufbau und Funktionsweise eines Computers Thomas Röfer Hardware und Software von Neumann Architektur Schichtenmodell der Software Zahlsysteme Repräsentation von Daten im Computer Hardware Prozessor (CPU)
MehrEinführung in die Systemprogrammierung
Einführung in die Systemprogrammierung Speedup: Grundlagen der Performanz Prof. Dr. Christoph Reichenbach Fachbereich 12 / Institut für Informatik 30. April 2015 Eine Aufgabe aus der Praxis Gegeben ein
MehrEchtzeitverhalten durch die Verwendung von CPU Stubs: Eine Erweiterung von Dynamic Performance Stubs. Echtzeit 2009
Echtzeitverhalten durch die Verwendung von CPU Stubs: Eine Erweiterung von Dynamic Performance Stubs Echtzeit 2009 Peter Trapp, 20.11.2009 Übersicht 1 Einleitung 2 (Übersicht) 3 (Framework) 4 Methodik
Mehr2. Semester, 2. Prüfung, Lösung
2. Semester, 2. Prüfung, Lösung Name Die gesamte Prüfung bezieht sich auf die Programmierung in C++! Prüfungsdauer: 90 Minuten Mit Kugelschreiber oder Tinte schreiben Lösungen können direkt auf die Aufgabenblätter
MehrExklusive Preisliste für Nur für Sie!! Ihr exone Systemhauspartner Friedrich Ritschel GmbH & Co. KG Herr Jacobsen 05221-93760 edv@ritschelkg.
Exklusive liste für Nur für Sie!! Herr Jacobsen 0522193760 edv@ritschelkg.com exone Challenge 1111 Atom 330 exone Challenge 1211 X3430 RAID exone Challenge 1911 W3520 exone Challenge 1911 X3430 exone Challenge
MehrKünstliche neuronale Netze
Lösungen zum Buch: Wissensverarbeitung Kapitel 10 Künstliche neuronale Netze Lösung 10.1 (Maschinelles Lernen) a) Ein Computerprogramm lernt aus einer Erfahrung E bezüglich einer Aufgabenklasse T und einer
MehrLeistungsanalyse von Rechnersystemen
Zentrum für Informationsdienste und Hochleistungsrechnen (ZIH) Leistungsanalyse von Rechnersystemen Auf Ein-/Ausgabe spezialisierte Benchmarks Zellescher Weg 12 Willers-Bau A109 Tel. +49 351-463 - 32424
MehrNewsletter. Intelligente Leistung, intelligente Effizienz. Strato 4000 Intel Core i3 / i5 / i7 Office-Workstation.
P C P R O D U C T S Sommer Juli 2010 Newsletter Vogelhainweg 4. 71065 Sindelfingen. Tel. 070 31. 735 99-0. sales@pc-products.de. www.pc-products.de Intelligente Leistung, intelligente Effizienz Die neuen
MehrOperator-Kostenmodelle für Fortschrittsschätzung und Opt. Datenbanksystemen
Operator-Kostenmodelle für und Optimierung in Datenbanksystemen 23. Oktober 2012 Übersicht 1 Grundlagen Ziele der Arbeit Grundlagen Kostenmodelle Neues Framework Entwickelte Hilfsmittel 2 3 Ziele der Arbeit
MehrAlgorithmen für moderne Rechnerarchitekturen
Jörn Fischer j.fischer@hs-mannheim.de Willkommen zur Vorlesung Algorithmen für moderne Rechnerarchitekturen Vorstellung Zu meiner Person... 2 ALR - Jörn Fischer - j.fischer@hs-mannheim.de Büro: A113a Überblick
MehrKunst der Spieleprogrammierung. The END. Playful Design. (c) 2013, Peter Sturm, Universität Trier
The END Playful Design 1 Gamification bzw. Playful Design Motivation Bedienungsfreundlichkeit ZENTRALES Element der Spieleentwicklung Software wird meist freiwillig genutzt J Spiele waren immer wichtig
MehrPC Systeme. Seit über 27 Jahren. Smal Size: Kompakte aber trotzdem viel Platz, Austattung wählbar ab
PC Systeme Office PC für kleine Ansprüche incl. Windows 8.1 Pro für schmale 299 Office PC (Intel oder AMD) mit viel Platz, Ausstattungen wählbar ab 279 Smal Size: Kompakte aber trotzdem viel Platz, Austattung
MehrHochschule Regensburg. Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer
Hochschule Regensburg Übung 44_ Multilayer-Perzeptron: Entwurf, Implementierung Bacpropagation Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer Name: Vorname: Multilayer-Perzeptrons (MLPs) sind
MehrP-Square Office Crow J1900/4/ 500
P-Square Office Crow J1900/4/ 500 Intel Celeron J1900 Prozessor 4x 2.0GHz (2.41 GHz) 4GB DDR3-1600 RAM 500GB HDD P-Square Office Crow J1900/4/ 500 P-Square Office Crow J1900/4/ 500 Intel Celeron J1900
MehrDeklarationen in C. Prof. Dr. Margarita Esponda
Deklarationen in C 1 Deklarationen Deklarationen spielen eine zentrale Rolle in der C-Programmiersprache. Deklarationen Variablen Funktionen Die Deklarationen von Variablen und Funktionen haben viele Gemeinsamkeiten.
MehrMindestanforderungen an Systemumgebung Für die Nutzung von excellenttango
Die Hardware- und Softwareanforderungen sind als allgemeine Anforderungen zu betrachten. Zahlreiche Faktoren können sich auf diese Anforderungen auswirken und müssen daher beachtet werden: Die Anzahl und
MehrDr. Monika Meiler. Inhalt
Inhalt 11 Dynamische Feldvereinbarung... 11-2 11.1 Dynamische Vereinbarung von Vektoren... 11-3 11.2 Dynamische Vereinbarung von Matrizen... 11-5 11.3 Die Kommandozeile... 11-8 Propädeutikum 11-1/8 11
MehrKapitel 6 Unkonventionelle Konzepte
Kapitel 6 - Unkonventionelle Konzepte Seite 113 Kapitel 6 Unkonventionelle Konzepte 6.1. Datenflussrechner 6.1.1. Darstellung von Datenflüssen Die Verfügbarkeit von Daten bestimmt den Gang einer Rechnung,
MehrProdukteportfolio Maerz 2015. Die aktuellen Preise finden Sie auf www. maxdata. ch
Produkteportfolio Maerz 2015 Die aktuellen Preise finden Sie auf www. maxdata. ch MAXDATA Monitor - Aktion Aktion Wide TFT 16:9 (1920x1080 Pixel) l HDMI l DVI l D-Sub l Kontrast (dynamisch) 5.000.000:1
Mehrehealth Zertifizierte Hardware speziell für Ärzte und Kliniken. Inhaltsübersicht
104 Zertifizierte Hardware speziell für Ärzte und Kliniken. Inhaltsübersicht Warum zertifizierte Hardware? Fanless Medical 1000 Medical Zubehör NISE Medical Line 106 107 108 109 105 Warum zertifizierte
MehrEffiziente Java Programmierung
Effiziente Java Programmierung Seminar Implementierung moderner virtueller Maschinen am Beispiel von Java SS 2009 von Reinhard Klaus Losse 20. Mai 2009 Gliederung Definition Effizienz Werkzeuge zum Messen
MehrPredator G3. Premium Design. Advanced Technology. Immersive entertainment
- 1 - Desktop PCs Predator G3 Der neue Acer Predator G3 - Designed für Gaming und HD- Entertainment. Angetrieben von der neuesten CPU-Generation und von High-End Grafikkarten lässt er keine Wünsche offen
MehrMulticore Herausforderungen an das Software-Engineering. Prof. Dr.-Ing. Michael Uelschen Hochschule Osnabrück 15.09.2010
Multicore Herausforderungen an das Software-Engineering Prof. Dr.-Ing. Michael Uelschen Hochschule Osnabrück 15.09.2010 Inhalt _ Motivation _ Herausforderung 1: Hardware _ Herausforderung 2: Software-Partitionierung
MehrGeneralisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE
Institut für Kartographie und Geoinformatik Leibniz Universität Hannover Generalisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE Frank Thiemann, Thomas Globig Frank.Thiemann@ikg.uni-hannover.de
MehrInformationen zum Hardwarewarenkorb
Informationen zum Hardwarewarenkorb AWB-Treffen Achatswies, 22.03. 23.03.2010 22.03.2010 Hardwarewarenkorb AWB-Treffen 1 Agenda Server unter M@School Aktuelle Rechnergeneration Aktuelle Monitore WLAN Standard
MehrSEP 325. Notwendigkeit. häufige Situation: Programm funktioniert im Prinzip fehlerfrei, aber nicht mit gewünschter Performanz
Optimierungen SEP 325 Notwendigkeit häufige Situation: Programm funktioniert im Prinzip fehlerfrei, aber nicht mit gewünschter Performanz Symptome des Mangels an Performanz: OutOfMemoryError wird geworfen
MehrWindows 10 Angebote finden sie unter www.maxdata.ch. Die aktuellen Preise finden Sie auf www. maxdata. ch
Windows 10 Angebote finden sie unter www.maxdata.ch Die aktuellen Preise finden Sie auf www. maxdata. ch Produkteportfolio Oktober 2015 MAXDATA Monitor - Aktion Aktion Wide TFT 16:9 (1920x1080 Pixel) l
MehrOptimierung der Code-Generierung virtualisierender Ausführungsumgebungen zur Erzielung deterministischer Ausführungszeiten
Optimierung der Code-Generierung virtualisierender Ausführungsumgebungen zur Erzielung deterministischer Ausführungszeiten Martin Däumler Matthias Werner Lehrstuhl Betriebssysteme Fakultät für Informatik
MehrSG-TRONiC IT - Made in Germany
Kategorie TERRA PC-BUSINESS Art# 1009051 1009055 1009060 1009059 1009046 1009052 Bezeichnung TERRA PC 2500 TERRA PC 2500 TERRA PC-BUSINESS 4000 TERRA PC 3000 Bestseller Business-PC! TERRA PC-BUSINESS 3000
MehrLenovo ThinkPad Edge E530 NZQCGMZ
LENOVO ThinkPad Edge E530 Intel i5-2520m, 4GB, 500GB, 15.6" 1366x768, DVD-SM, W7-Pro64, Intel GMA HD4000 shared Grafik, Giga-LAN, WLAN (300 Mbps), Bluetooth, Webcam, Fingerprintreader, 2 Jahre Garantie
Mehr20 Jahre. acadgraph CADstudio GmbH Fritz-Hommel-Weg 4 80805 München Seite 1 von 11
Seite 1 von 11 Inhaltsverzeichnis 1 - Features & Benefits... 3 1.1 Schnell und einfach Eye Checker erstellen... 3 1.2 Einfach zu erlernen... 3 1.3 Voll CAD-Kompatibel... 3 2 - Arbeitsweise... 3 2.1 Userinterface...
MehrProgrammierung von Graphikkarten
Programmierung von Graphikkarten Stefan Lang Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Universität Heidelberg INF 368, Raum 532 D-69120 Heidelberg phone: 06221/54-8264 email: Stefan.Lang@iwr.uni-heidelberg.de
MehrKünstliche Neuronale Netze und Data Mining
Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung
MehrASUS - LENOVO - TOSHIBA FUJITSU - HP. Notebook Preisliste. Sept. 2015-2!!!
ASUS - LENOVO - TOSHIBA FUJITSU - HP Notebook Preisliste Sept. 2015-2!!! Achtung: wir verkaufen unsere Notebooks ausschließlich mit MS WINDOWS 7/8 64 bit Vorbehaltlich Modell-/Preisänderungen durch den
MehrGrundlagen der Parallelisierung
Grundlagen der Parallelisierung Philipp Kegel, Sergei Gorlatch AG Parallele und Verteilte Systeme Institut für Informatik Westfälische Wilhelms-Universität Münster 3. Juli 2009 Inhaltsverzeichnis 1 Einführung
MehrProtokoll zum Informatik Praktikum. Themenbereich: Neuronale Netze
Protokoll zum Informatik Praktikum Themenbereich: Neuronale Netze (1) Gegenstand des Praktikums (2) Beschreibung des Netzwerks (3) Der genetische Lernalgorithmus (4) Codierung der Lerndaten und Kapazität
MehrTCplus (Switzerland) GmbH Europastrasse 17 8152 Glattbrugg Telefon 044 810 50 05 Fax 044 810 50 06 mailto:tcplus@tcplus.ch www.tcplus.
Pricelist : TCplus (Switzerland) GmbH Europastrasse 17 8152 Glattbrugg Telefon 044 810 50 05 Fax 044 810 50 06 mailto:tcplus@tcplus.ch www.tcplus.ch TCplus ( Switzerland) GmbH, Europastrasse 17, 8152 Glattbrugg,
MehrCodesigned Virtual Machines
Codesigned Virtual Machines Seminar Virtualisierung Philipp Kirchhofer philipp.kirchhofer@student.kit.edu Institut für Technische Informatik Lehrstuhl für Rechnerarchitektur Universität Karlsruhe (TH)
Mehrb) Gegeben sei folgende Enumeration: enum SPRACHE {Deutsch, Englisch, Russisch};
Aufgabe 1: (15 Punkte) Bei den Multiple-Choice-Fragen ist jeweils nur eine richtige Antwort eindeutig anzukreuzen. Auf die richtige Antwort gibt es die angegebene Punktzahl. Wollen Sie eine Multiple-Choice-Antwort
MehrNotebookkauf. Du möchtest ein neues Notebook kaufen und hast 5 verschiedene Angebote zur Auswahl.
Notebookkauf AUFGABENSTELLUNG Du möchtest ein neues Notebook kaufen und hast 5 verschiedene Angebote zur Auswahl. Begründe, weshalb du das jeweils angebotene Notebook kaufen oder nicht kaufen würdest!
MehrJ.5 Die Java Virtual Machine
Java Virtual Machine Die Java Virtual Machine 22 Prof. Dr. Rainer Manthey Informatik II Java-Compiler und Java Virtual Machine Quellcode-Datei class C... javac D.java Java-Compiler - Dateien class class
MehrAngewandte Informatik
Angewandte Informatik Teil 2.1 Was ist Hardware? Die Zentraleinheit! 1 von 24 Inhaltsverzeichnis 3... Was ist Hardware? 4... Teile des Computers 5... Zentraleinheit 6... Die Zentraleinheit 7... Netzteil
MehrProgrammieren in Java
Einführung in die Objektorientierung Klassen 2 Prozeduale Programmierung Bisher: Klassische prozeduale Programmierung Java ist allerdings eine objektorientierte Sprache Rein prozeduale Programmierung daher
MehrKapitel LF: IV. IV. Neuronale Netze
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas LF: IV-39 Machine Learning c
MehrObjective-C CheatSheet
App-Templates: Erstellt automatisch einen Navigation Controller mit editierbarem UITableView und DetailView, der bei Klick auf einzelne UITableViewCell angezeigt wird. Kreiert einen GLKitViewController
MehrKapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN 2005-06
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas 39 Multilayer-Perzeptrons und
MehrLearning Suite Talent Suite Compliance Suite. Systemvoraussetzungen
Learning Suite Talent Suite Compliance Suite Systemvoraussetzungen Vorwort Dieses Dokument beschreibt, welche Anforderungen an die Installationsumgebung zu stellen sind, um die Plattform unter optimalen
MehrFachreferat. EFI -BIOS Nachfolger-
Fachreferat EFI -BIOS Nachfolger- Kurzerläuterung Übersicht EFI - Geschichte Aufbau und Vorteile Grafische Veranschaulichung Was passiert beim direkten einschalten eines Computers? Wie kommt die Intelligenz
Mehr(allgemeine) OOP in C++ Klassen und header-files Konstruktorn / Destruktoren Speicherverwaltung C++ Standard Library / SLT
Architektur Übersicht (allgemeine) OOP in C++ Polymorphie Virtuelle Funktionen Kompilieren Linken dynamische/statische Bibliotheken Tutorial: vs2008+ogre+(campus modell) Architektur (allgemeine) OOP in
MehrTransparente Nutzung von Multi-GPU Cluster unter Java/OpenMP
Transparente Nutzung von Multi-GPU Cluster unter Java/OpenMP Dipl. Inf. Thorsten Blaß Programming Systems Group Martensstraße 3 91058 Erlangen Ausblick Motivation Einführung Java/OpenMP (JaMP) JaMP Sprache
MehrMicrocontroller Kurs Programmieren. 09.10.11 Microcontroller Kurs/Johannes Fuchs 1
Microcontroller Kurs Programmieren 9.1.11 Microcontroller Kurs/Johannes Fuchs 1 General Purpose Input Output (GPIO) Jeder der Pins der vier I/O Ports kann als Eingabe- oder Ausgabe-leitung benutzt werden.
MehrPERI Softwarefinder Leitfaden
Leitfaden Dieser Leitfaden hilft Ihnen, die richtige PERI Software für Ihre Schalungs- oder Gerüstplanung zu finden. Er bietet ausführliche Erläuterungen zu den verschiedenen Programmen. In der Übersicht
Mehr