文献

J-GLOBAL ID：201802253970571785   整理番号：18A0165170

ニシキヘビで実現したニューラルネットワーク層のためのGPUおよびCPU加速の最適化【Powered by NICT】

Optimization of GPU and CPU acceleration for neural networks layers implemented in python

著者 (2件)： Dogaru Radu (Natural Computing Laboratory, Dept. of Applied Electronics and Information Eng., University “Politehnica” of Bucharest, Romania) ,  Dogaru Ioana (Natural Computing Laboratory, Dept. of Applied Electronics and Information Eng., University “Politehnica” of Bucharest, Romania)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ISEEE  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： RBF,SVM,FSVC分類器,または性ディープ学習溶液を含む多くのニューラルアーキテクチャは各次元を持つN特徴ベクトルの訓練やテストセット上のニューロン層の効率的な実装,与えられた数のニューロンを有するそれらのパラメータの特定のセットと操作を必要とする。GPUカーネルの計算をいかに割当てて加速(CPU実装に比べて)を最大化するために,問題パラメータ(神経構造と訓練セットサイズ)とGPUパラメータを最適化するかを調べた。負荷(各計算GPUコア上にスレッドの数)を最大化することによりとGPUの大域メモリの適切な配分により,CPU実装に比べて非常に大きな高速化(100~250倍)は,GPUのCUDAプログラミングをサポートする便利なNUMBA Pythonパッケージを用いて達成できることを示した。その結果,ニューラルネットワークにもたらされるべき問題与えられた効率を最大化するためにネットワークの便利な分解は,GPU計算の一部を最適に配分するために行うことができることを示した。また,CPU実装では,Intel社のMKLライブラリ(NUMPYパッケージからと呼ばれる)は,神経層の効率的な実装を提供し,GPUを用いて達成されるものに匹敵することが分かった。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 計算機プログラミング ,  高速化 ,  スレッド ,  *ネットワーク ,  学習 ,  *最適化 ,  ニューロン ,  *ニューラルネットワーク ,  記憶装置
準シソーラス用語： Python ,  CUDA ,  神経 ,  特徴ベクトル , 【Automatic Indexing@JST】

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： ニューラルネットワーク ,  GPU ,  CPU ,  加速 ,  最適化