Adaptives Online-Tuning für kontinuierliche Zustandsräume: Unterschied zwischen den Versionen

Aktuelle Version vom 2. Januar 2019, 10:45 Uhr

Vortragende(r)	Timo Kopf
Vortragstyp	Masterarbeit
Betreuer(in)	Philip Pfaffe
Termin	Fr 11. Januar 2019
Vortragssprache
Vortragsmodus
Kurzfassung	Raytracing ist ein rechenintensives Verfahren zur Erzeugung photorealistischer Bilder. Durch die automatische Optimierung von Parametern, die Einfluss auf die Rechenzeit haben, kann die Erzeugung von Bildern beschleunigt werden. Im Rahmen der vorliegenden Arbeit wurde der Auto-Tuner libtuning um ein generalisiertes Reinforcement Learning-Verfahren erweitert, das in der Lage ist, bestimmte Charakteristika der zu zeichnenden Frames bei der Auswahl geeigneter Parameterkonfigurationen zu berücksichtigen. Die hierfür eingesetzte Strategie ist eine ε-gierige Strategie, die für die Exploration das Nelder-Mead-Verfahren zur Funktionsminimierung aus libtuning verwendet. Es konnte gezeigt werden, dass ein Beschleunigung von bis zu 7,7 % in Bezug auf die gesamte Rechenzeit eines Raytracing-Anwendungsszenarios dieser Implementierung gegenüber der Verwendung von libtuning erzielt werden konnte.

@@ Zeile 5: / Zeile 5: @@
 |betreuer=Philip Pfaffe
 |termin=Institutsseminar/2019-01-11
-|kurzfassung=Raytracing ist ein rechenintensives Verfahren zur Erzeugung photorealistischer Bilder.
+|kurzfassung=Raytracing ist ein rechenintensives Verfahren zur Erzeugung photorealistischer Bilder. Durch die automatische Optimierung von Parametern, die Einfluss auf die Rechenzeit haben, kann die Erzeugung von Bildern beschleunigt werden. Im Rahmen der vorliegenden Arbeit wurde der Auto-Tuner libtuning um ein generalisiertes Reinforcement Learning-Verfahren erweitert, das in der Lage ist, bestimmte Charakteristika der zu zeichnenden Frames bei der Auswahl geeigneter Parameterkonfigurationen zu berücksichtigen. Die hierfür eingesetzte Strategie ist eine ε-gierige Strategie, die für die Exploration das Nelder-Mead-Verfahren zur Funktionsminimierung aus libtuning verwendet. Es konnte gezeigt werden, dass ein Beschleunigung von bis zu 7,7 % in Bezug auf die gesamte Rechenzeit eines Raytracing-Anwendungsszenarios dieser Implementierung gegenüber der Verwendung von libtuning erzielt werden konnte.
-Durch die automatische Optimierung von Parametern, die Einfluss auf die Rechenzeit ha-
-ben, kann die Erzeugung von Bildern beschleunigt werden. Im Rahmen der vorliegenden
-Arbeit wurde der Auto-Tuner libtuning um ein generalisiertes Reinforcement Learning-
-Verfahren erweitert, das in der Lage ist, bestimmte Charakteristika der zu zeichnenden
-Frames bei der Auswahl geeigneter Parameterkonfigurationen zu berücksichtigen. Die hier-
-für eingesetzte Strategie ist eine ε-gierige Strategie, die für die Exploration das Nelder-
-Mead-Verfahren zur Funktionsminimierung aus libtuning verwendet. Es konnte gezeigt
-werden, dass ein Beschleunigung von bis zu 7,7% in Bezug auf die gesamte Rechenzeit ei-
-nes Raytracing-Anwendungsszenarios dieser Implementierung gegenüber der Verwendung
-von libtuning erzielt werden konnte.
 }}