See lõputöö käsitleb kriitilisi väljakutseid tõhusa sügava õppimise (DL) mudelite tihendamisel ja optimeerimisel, mis on hädavajalikud mudelite juurutamiseks piiratud ressurssidega riistvarale. Vaatamata märkimisväärsetele edusammudele on endiselt mitmeid olulisi uurimislünki: standardiseeritud kvantitatiivse meetodi puudumine tihendustehnikate hindamiseks ja võrdlemiseks, raskused sügava tihendamise saavutamisel ilma märkimisväärse jõudluse vähenemiseta ja tihendamise suhtes ülitundlike mudelite optimeerimise väljakutse.
Käesoleva teadustöö kokkuvõtvad panused pakuvad põhjalikku metoodikat süvaõppe mudelite hindamiseks, tihendamiseks ja optimeerimiseks, et neid kasutada madala võimsusega ja odavatel riistvaraplatvormidel. Pakutud lahendused mitte ainult ei edenda mudeli tihendamise tipptasemel tehnoloogiat, vaid tagavad ka selle, et isegi tihendamise suhtes tundlikke arhitektuure saab tõhusalt optimeerida ilma jõudlust vähendamata. Need tulemused mõjutavad märkimisväärselt reaalmaailma rakendusi, võimaldades suure jõudlusega süvaõppe mudelitel tõhusalt töötada keskkondades, kus on ranged arvutus-ja mälupiirangud.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: täisprofessor tenuuris Eduard Petlenkov ning vanemteadur Mairo Leier (TalTech)

Oponendid:

• professor Andrei Lobov (Norra Teadus- ja Tehnikaülikool (NTNU), Norra)
• professor Sergio Galvez Roja (Málaga Ülikool, Hispaania)