РАЗРАБОТКА И ОПТИМИЗАЦИЯ АЛГОРИТМОВ ДЛЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МАШИННОГО ОБУЧЕНИЯ

Аннотация

В последние годы оптимизация нейросетевых моделей становится критически важной задачей в области машинного обучения. С увеличением размеров моделей и требований к вычислительным ресурсам возникает необходимость разработки методов, позволяющих сохранить высокую точность при снижении объёма и ускорении инференса. Цель исследования — разработка и экспериментальная проверка комплексного подхода к оптимизации моделей глубокого обучения, включающего итеративную обрезку весов, квантизацию с учётом обучения и гиперпараметрический тюнинг. Задачи включают: оценку влияния каждого метода на точность, скорость, объём и энергопотребление модели; исследование сочетания методов; проверку масштабируемости подхода на различных архитектурах и датасетах. В ходе экспериментов показано, что комбинированный подход позволяет уменьшить размер модели в среднем в 2,6–3,8 раза, ускорить инференс в 2–2,5 раза и снизить энергопотребление в 3–4 раза при минимальной потере точности (<1%). Масштабируемость методов подтверждена на ResNet18 и CIFAR-10. Итоговая точность сохраняется на уровне 99–99,5 % от исходного значения, а структура ошибок не нарушается. Разработанный метод комплексной оптимизации эффективен, универсален и применим для задач компьютерного зрения и мобильного инференса. Полученные результаты открывают перспективы для внедрения оптимизированных моделей в ресурсоограниченные устройства, облачные сервисы и интерактивные системы.