Правильная ссылка на статью:
Мамадаев И.М., Минитаева А.М..
Оптимизация производительности алгоритмов распознавания изображений на основе машинного обучения для мобильных устройств на базе операционной системы iOS
// Программные системы и вычислительные методы. – 2024. – № 2.
– С. 86-98.
Читать статью
Аннотация: На сегодняшний день мобильные устройства играют важную роль в повседневной жизни каждого человека, и одной из ключевых технологий, приводящих к значительным преимуществам для мобильных приложений, является машинное обучение. Оптимизация алгоритмов машинного обучения для мобильных устройств является актуальной и важной задачей, она направлена на разработку и применение методов, которые позволят эффективно использовать ограниченные вычислительные ресурсы мобильных устройств. В работе рассматриваются различные способы оптимизации алгоритмов распознания изображений на мобильных устройствах, такие как квантизация и сжатие моделей, оптимизация изначальных вычислений. Помимо способов оптимизации самой модели машинного обучения рассматриваются также различные библиотеки и инструменты для применения данной технологии на мобильных устройствах. Каждый из описанных способов имеет свои преимущества и недостатки, в связи с чем в итогах работы предлагается использовать не только комбинацию описанных вариантов, а также дополнительный способ – параллелизацию процессов обработки изображений. В статье рассмотрены примеры конкретных инструментов и фреймворков, доступных для оптимизации производительности машинного обучения на iOS, проведены собственные эксперименты для проверки эффективности различных методов оптимизации. А также приведен анализ полученных результатов и сравнение производительности алгоритмов. Практическая значимость данной статьи заключается в следующем: – Улучшение производительности алгоритмов машинного обучения на мобильных устройствах iOS приведет к более эффективному использованию вычислительных ресурсов и повышению производительности системы, что является весьма важным в контексте ограниченных вычислительных мощностей и энергетических ресурсов мобильных устройств. – Оптимизация производительности машинного обучения на iOS-платформе способствует развитию более быстрых и отзывчивых приложений, что также улучшит пользовательский опыт и позволит разработчикам создавать новые и инновационные функции и возможности. – Расширение применимости машинного обучения на мобильных устройствах iOS открывает новые возможности для разработки приложений в различных областях, таких как распознавание образов, обработка естественного языка, анализ данных и другие.
Ключевые слова: нейронная сеть, машинное обучение, мобильное устройство, iOS, распознавание изображений, оптимизация, ОС Apple, эффективность, производительность, параллелизация
Библиография:
Растегари М., Ордонес В., Редмон Дж., Фархади А. "XNOR-Net: Классификация изображений ImageNet с использованием бинарных сверточных нейронных сетей." // Сборник материалов Европейской конференции по компьютерному зрению (ECCV) (стр. 525-542).
Минитаева, А. М. Многомодельный подход к прогнозированию нелинейных нестационарных процессов в задачах оптимального управления // Необратимые процессы в природе и технике : Труды Двенадцатой Всероссийской конференции. В 2-х томах, Москва, 31 января – 03 2023 года. – Москва: Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет), 2023. – С. 438-447. – EDN FBVVXS.
Минитаева, А. М. Принятие решений в условиях интервального задания предпочтений лиц, принимающих решений // Материалы конференции «Информационные технологии в управлении» (ИТУ-2022): 15-я МУЛЬТИКОНФЕРЕНЦИЯ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ, Санкт-Петербург, 04 06 октября 2022 года. – Санкт-Петербург: Концерн; Централ
Правильная ссылка на статью:
Демидов Н.А., Выгоняйло К.В., Маняев А.А., Ефимов Д.А., Баженов А.Э..
Сравнительный анализ Wine и PortProton: Перекрёстные платформы в контексте эмуляции Windows приложений
// Программные системы и вычислительные методы. – 2024. – № 2.
– С. 99-118.
Читать статью
Аннотация: Современное развитие компьютерных технологий и операционных систем сопровождается увеличением потребности в программном обеспечении, способном обеспечивать взаимодействие различных программ и приложений между собой, независимо от их исходной среды. В данном исследовании будет проведен сравнительный анализ двух таких программ – Wine и PortProton. Wine – это программа, способная запустить большинство приложений, разработанных для Windows, на Unix-подобных системах. Это слой совместимости, позволяющий работать с Windows приложениями.
Вместе с тем, существует и отечественный вариант – PortProton, который также предлагает запуск приложений Windows. Это исследование призвано сравнить эти две программы, проанализировать их особенности, преимущества и недостатки, а также определить, какая из них является наиболее удобной и функциональной для конечного пользователя в контексте эмуляции Windows приложений. Методология исследования предполагает сравнительный анализ платформ Wine и PortProton через тестирование бенчмарков и проверку работоспособности Windows приложений на Linux. Бенчмарк-тестирование включает оценку производительности, стабильности и скорости работы приложений Windows на каждой платформе. В виду отсутствия научных источников на тему сравнения Wine и PortProton в контексте эмуляции Windows-приложений, данное исследование имеет уникальный характер. Из данного исследования, был сделан вывод, что Wine и PortProton успешно справляются с эмуляцией Windows-приложений, показывая в некоторых моментах наилучшую производительность ввиду оптимизации операционной системы Linux. PortProton лучше всего справляется с задачей эмуляции программ ввиду стабильной работы и удобства использования. Wine, несмотря на незначительное опережение в контексте производительности и возможность запуска нескольких программ одновременно, показал наихудшую эффективность ввиду некорректной работы некоторых программ и отсутствия интуитивно понятного графического интерфейса. Исходя из вышеописанных выводов рекомендуется PortProton для большинства пользователей.
Ключевые слова: Эмуляция, Перекрестные платформы, Wine, Portproton, Совместимость приложений, Производительность, Технические характеристики, Windows, Linux, Unix
Библиография:
WineHQ. Wine Application DataBase [Электронный ресурс]. URL: https://appdb.winehq.org/ Дата обращения: 11/06/2024
SoftwareOK.com [Электронный ресурс] URL: https://www.softwareok.com/?seite=Freeware/3D .Benchmark.OK Дата обращения: 22/04/2024
CineBench [Электронный ресурс] URL: https://www.maxon.net/en/cinebench Дата обращения: 22/04/2024
Mathcad [Электронный ресурс] URL: https://www.mathcad.com/en Дата обращения: 22/04/2024
FL Studio [Электронный ресурс]. URL: https://www.image-line.com/ Дата обращения: 30/05/2024
Зайнабидинов Р.Х. Обзор ядра Linux и его роль в современных информационных системах // Ташкентский университет информационных технологий имени Мухаммада аль-Хорезмий. Фергана. 2024 – С. 36.
Dawid Bis, Kryspin Baran, Oliwia Kulawska. Perfomance comparison of different versions of Windows and Linux operating systems// Advances in Web Development Journal. 2023 – C. 117.
Geeks3D FurMark [Электронный ресурс] URL: https://www.geeks3d.com/furmark / Дата обращения: 22/04/202
Правильная ссылка на статью:
Вальков В.А., Столяров Е.П., Корчагин А.А., Ермишин М.В., Якупов Д.О..
Сравнение методов оптимизации скорости чтения/записи накопителей
// Программные системы и вычислительные методы. – 2024. – № 2.
– С. 73-85.
Читать статью
Аннотация: Объектами данного исследования являются накопители данных различных типов и уровней сложности, а также принципы их работы. Они представляют собой сложные технические системы, включающие в себя множество компонентов и отличающиеся высокой степенью интеграции.
Предмет исследования заключается в изучении основных характеристик жестких дисков и твердотельных накопителей. Важное значение имеет их структура, функциональные особенности, принципы работы и способы оптимизации.
Целью исследования является определение наиболее эффективных методов оптимизации работы этих устройств. Это включает в себя такие аспекты, как управление памятью, балансировка нагрузки, управление энергопотреблением и другие.
Результаты этого исследования могут быть использованы для повышения эффективности работы с данными, улучшения производительности систем хранения данных и создания новых технологий в этой области. В этом исследовании рассматривается производительность различных решений для хранения данных на дисках с помощью ряда тестов, направленных на понимание скорости и зависимости от внешних факторов. Основные выводы проведенного исследования отражают значимость комплексного использования подходов оптимизации для улучшения скорости чтения и записи данных. Оптимизация процессов чтения и записи данных является критически важной для современных высокопроизводительных вычислительных систем, а также для приложений, которые требуют быстрого доступа к большим объемам информации.
Усовершенствованные методики, применяемые в ходе исследования, способствуют значительному повышению производительности накопителей данных. Они учитывают специфику работы различных типов устройств хранения данных, включая жесткие диски и твердотельные накопители, и предлагают подходы к оптимизации, которые учитывают их уникальные характеристики.
В целом, результаты этого исследования предоставляют ценные взгляды на принципы оптимизации хранения данных, и они могут служить основой для разработки новых стратегий и решений в этой важной области информационных технологий. Это исследование представляет собой значимый вклад в научное понимание оптимизации процессов чтения и записи данных, и его выводы могут иметь долгосрочные последствия для развития технологий хранения данных.
Ключевые слова: Жесткие диски, Твердотельные накопители, Оптимизация, Производительность, Фрагментация, Чтение данных, Дефрагментация, Интерфейс, Буфер кэша, Файловая система
Библиография:
PMR (Perpendicular Magnetic Recording) and SMR (Shingled Magnetic Recording) hard disk drives [Электронный ресурс]. Дата обращения: 22 мая 2024 г. URL: https://kb.synology.com/en-id/DSM/tutorial/PMR_SMR_hard_disk_drives
Черепичная магнитная запись (SMR): что это такое и стоит ли ее избегать? [Электронный ресурс]. Дата обращения: 22 мая 2024 г. URL: https://interface31.ru/tech_it/2022/12/chto-takoe-cherepichnaya-magnitnaya-zapis-smr-i-stoit-li-ee-izbegat.html
Липкин Г. Черепичная магнитная запись SMR: принцип работы, преимущества и недостатки [Электронный ресурс]. Дата обращения: 22 мая 2024 г. URL: https://habr.com/ru/articles/494614/
2021 SSD Benchmark Suite [Электронный ресурс]. Дата обращения: 22 мая 2024 г. URL: https://www.anandtech.com/print/16458/2021-ssd-benchmark-suite
CrystalMark [Электронный ресурс]. Дата обращения: 22 мая 2024 г. URL: https://crystalmark.info/en/
Defraggler [Электронный ресурс]. Дата обращения: 22 мая 2024 г. URL: https://www.ccleaner.com/defraggler?cc-noredirect=