gpgpu-sem-2/lab1-pytorch-cifar10/README.md

"Тензорные ядра CUDA для глубокого обучения"

1. С помощью фреймворка PyTorch реализовать архитектуру AlexNet для распознавания изображений из набора данных CIFAR10.
2. Обучить модель с помощью GPU на тренировочном наборе данных в двух режимах — без использования тензорных CUDA-ядер (FP32) и с их использованием (FP16).
3. Эксперимент 1: сравнить время обучения модели в разных режимах.
4. Эксперимент 2: сравнить точности распознавания изображений из тестового набора данных при разных режимах обучения модели.
5. Эксперимент 3: сравнить реальные вычислительные сложности пакетного умножения матриц (Batch Matrix Multiplication) на GPU а режимах FP32 и FP16; построить графики сложностей.
6. Объяснить результаты вычислительных экспериментов.

Отчет должен содержать: исходный код, результаты экспериментов, обсуждение полученных результатов.