作者：刘强; 李佳峻神经网络gpu并行计算拟牛顿算法opencl加速算法
摘要：针对人工神经网络训练需要极强的计算能力和高效的最优解搜寻方法的问题,提出基于GPU的BFGS拟牛顿神经网络训练算法的并行实现。该并行实现将BFGS算法划分为不同的功能模块,针对不同模块特点采用混合的数据并行模式,充分利用GPU的处理和存储资源,取得较好的加速效果。试验结果显示:在复杂的神经网络结构下,基于GPU的并行神经网络的训练速度相比于基于CPU的实现方法最高提升了80倍;在微波器件的建模测试中,基于GPU的并行神经网络的速度相比于NeuroModeler软件提升了430倍,训练误差在1%左右。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
《河海大学学报·哲学社会科学版》（CN：32-1521/C）是一本有较高学术价值的大型双月刊，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度。颇受业界和广大读者的关注和好评。 《河海大学学报·哲学社会科学版》为人文社科类学术期刊，主要刊登哲学、政治学、文学、法学、社会学、经济学、管理学等人文社会科学方面的学术论文、研究成果、综述等学术性文章。本刊关注传统学科、基础理论研究，特别注重应用学科、边缘学科、新兴学科以及各学科之间的交叉渗透和综合研究。
杂志详情
