04327ntm a22006377i 4500 000723524 CZ-PrVSE 20250621144446.0 m d cr n|||||||||| 250621s2025 xr fsbm 000 0 eng d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Phamová, Xuan Vi ISIS:162146 dis Srovnání vybraných efektivních technik hlubokého učení pro konvoluční neuronové sítě v klasifikaci eng Comparison of Selected Efficient Deep Learning Techniques for Convolutional Neural Networks in Classification / Xuan Vi Phamová 2025 ?? stran : digital, PDF soubor Vedoucí práce: Ondřej Zamazal Bakalářská práce (Bc.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2025 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2025 The deployment of convolutional neural networks (CNNs) on resource-constrained edge devices requires the application of model compression techniques to balance performance, size, and inference time. This thesis investigates three key techniques — weight pruning, quantization, and knowledge distillation — evaluating their impact on CNN performance across various datasets and model architectures. Experimental results show that weight pruning, when applied to simpler custom CNNs, significantly reduces model size while slightly improving accuracy. However, excessive pruning in more complex pretrained models led to a considerable drop in performance, highlighting the need for more advanced strategies in complex architectures. Quantization techniques, particularly Post-Training Quantization (PTQ), proved highly effective in reducing model size by 75-90% and accelerating inference time by up to 1.5-8×, without substantial accuracy degradation. In contrast, Quantization-Aware Training (QAT) offered similar benefits but introduced minor accuracy losses and the risk of overfitting, particularly when applied to larger models like InceptionV3. Knowledge distillation demonstrated strong potential for transferring knowledge from larger teacher models to smaller student models, resulting in improved classification accuracy without increasing model size or inference time. These techniques offer promising solutions for optimizing CNNs, ensuring efficient performance while maintaining competitive accuracy. Způsob přístupu: Internet data analytics [obor bakal. práce] bakalářské práce fd132403 czenas bachelor's theses eczenas convolutional neural networks deep learning model compression pruning quantization knowledge distillation efficient deep learning techniques Zamazal, Ondřej ISIS:7282 ths Vacura, Miroslav mzk2006343245 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/90096/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/90096 Hlavní práce https://insis.vse.cz/zp/90096/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/90096/posudek/oponent/85604 Oponentura https://insis.vse.cz/zp/90096/priloha/31511 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31512 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31513 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31514 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31515 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31516 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31517 Přiloha k práci https://insis.vse.cz/zp/90096/priloha/31518 Přiloha k práci https://insis.vse.cz/zp/90096/podrobnosti dc:identifier NEPOSILAT VSKP vse90096 250617 90096