О ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ВРЕМЕНИ ВЫПОЛНЕНИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ С ИСПОЛЬЗОВАНИЕМ ПЛАТ GPU НА ПРИМЕРЕ СЕТЕЙ СВЕРТКИ
(Стр. 47-51)

Подробнее об авторах
Буряк Дмитрий Юрьевич канд. физ.-мат. наук, старший инженер-исследователь
Филиал компании LG Electronics Попова Нина Николаевна кандидат физико-математических наук; доцент факультета вычислительной математики и кибернетики
Московский государственный университет имени М.В. Ломоносова
Оплатить 390 руб. (Картой) Оплатить 390 руб. (Через QR-код)

Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты

Аннотация:
В последние годы вычислительная мощность плат GPU значительно возросла. Появление архитектуры CUDA позволило исследователям и инженерам активно использовать графические платы в своей работе, в том числе в области нанотехнологий. Однако, во многих случаях при реализации алгоритмов на GPU затруднительно предсказать результирующий коэффициент ускорения и, соответственно, достоверно оценить вычислительную эффективность разрабатываемого алгоритмического решения. Таким образом, актуальной является задача прогнозирования скорости вычисления программ на платах GPU. Данная работа посвящена разработке модели прогнозирования для алгоритмов, основанных на применении нейронных сетей. НС зависят от большого числа глобальных параметров, которые определяются в процессе проектирования архитектуры сети, и влияют на скорость выполнения и точность получаемых результатов. Процедура выбора значений этих параметров требует существенных временных затрат. Применение методов прогнозирования позволит существенно сократить время выполнения данного этапа и повысить эффективность получаемых оценок глобальных параметров НС.
Образец цитирования:
Буряк Д.Ю., Попова Н.Н., (2017), О ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ВРЕМЕНИ ВЫПОЛНЕНИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ С ИСПОЛЬЗОВАНИЕМ ПЛАТ GPU НА ПРИМЕРЕ СЕТЕЙ СВЕРТКИ. Computational nanotechnology, 2 => 47-51.
Список литературы:
Amani A., Mohammadyani D. Artificial Neural Networks: Applications in Nanotechnology. Chapter in book: Artificial Neural Networks - Application. book edited by Chi Leung Patrick Hui, ISBN 978-953-307-188-6, Published: April 11, 2011.
Baghsorkhi S., Delahaye M., Gropp W., Wen-mei H.,W. Analytical performance prediction for evaluation and tuning of GPGPU applications. Workshop on Exploiting Parallelism using GPUs and other Hardware-Assisted Methods (EPHAM’09), In conjunction with The International Symposium on Code Generation and Optimization (CGO), 2009.
Fortune S., Wyllie J. Parallelism in Random Access Machines. In Proc. ACM STOC, 1978.
Gibbons P. B., Matias Y., Ramachandran V. The queue-read queue-write asynchronous pram model. In In Proc. of EURO-PAR, 1996.
Gómez-Luna J., González-Linares J.M., Benavides J.I., Guil N. Performance models for CUDA streams on NVIDIA GeForce series. Technical Report, University of Málaga, 2011.
Guo P., Wang L. Accurate CUDA performance modeling for sparse matrix-vector multiplication. International Conference on High Performance Computing and Simulation (HPCS), 2012.
Hasan K.S., Chatterjee A., Radhakrishnan S., Antonio J.K. Performance Prediction Model and Analysis for Compute-Intensive Tasks on GPUs. In: Hsu CH., Shi X., Salapura V. (eds) Network and Parallel Computing. NPC 2014.
Hopf M., Ertl T. Hardware Accelerated Wavelet Transformations. In Proc. EG Symposium on Visualization, 2000.
Kothapalli K., Mukherjee R., Rehman M. S., Patidar, S., Narayanan, P.J., Srinathan K. A performance prediction model for the CUDA GPGPU platform. 2009 International Conference on High Performance Computing (HiPC), 2009.
LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W., Jackel L.D. Handwritten digit recognition with a back-propagation network, Advanced in Neural Information Processing, 1990a, vol.2, 1990.
Luo Y., Duraiswami R. Canny Edge Detection on Nvidia CUDA. In Proc. of IEEE Computer Vision and Pattern Recognition, 2008.
Nguyen H. GPU Gems 3. Addison-Wesley Professional, 2007.
Sacha G. M., Varona P. Artificial intelligence in nanotechnology. Nanotechnology, 24 452002, 2013.
Valiant L. G. A Bridging Model for Parallel Computation. Comm. ACM 33, 8, 1990.
Vineet V., Narayanan P.J. CUDA cuts: Fast Graph Cuts on the GPU. In Proceedings of the CVPR Workshop on Visual Computer Vision on GPUs, 2008.
Ключевые слова:
Искусственные нейронные сети, сверточные нейронные сети, параллельные вычисления, платы GPU, прогнозирование времени исполнения.


Статьи по теме

Искусственный интеллект и машинное обучение Страницы: 9-18 DOI: 10.33693/2313-223X-2022-9-3-9-18 Выпуск №21873
Элементы искусственного интеллекта для задачи определения положения автотранспортного средства на изображении
компьютерное зрение нейронные сети сверточные нейронные сети распознавание изображений YOLO
Подробнее
1. Математическое моделирование Страницы: 7-13 Выпуск №10450
ПАРАЛЛЕЛЬНОЕ МОДЕЛИРОВАНИЕ ЭЛЕКТРИЧЕСКИХ ПОЛЕЙ ЛОВУШКИ МАСС-СПЕКТРОМЕТРА ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ИЗМЕРЕНИЯ МАСС ИОНОВ
математическое моделирование параллельные вычисления масс-спектрометр поведение ионных облаков
Подробнее
Кибербезопасность Страницы: 35-43 DOI: 10.33693/2313-223X-2023-10-3-35-43 Выпуск №23683
Разработка балансировщика нагрузки и параллельного модуля управления ассоциативно защищенными картографическими базами данных
реляционная база данных картографические данные ассоциативная стеганография управление базами данных защита данных
Подробнее
ВЫЧИСЛИТЕЛЬНЫЕ КОМПЛЕКСЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ Страницы: 35-38 Выпуск №3497
ТЕНДЕНЦИИ РАЗВИТИЯ СУПЕРКОМПЬЮТЕРОВ
суперкомпьютеры вычислительные нанотехнологии параллельные вычисления
Подробнее
Искусственный интеллект и машинное обучение Страницы: 35-44 DOI: 10.33693/2313-223X-2022-9-2-35-44 Выпуск №21224
Элементы искусственного интеллекта в решении задач анализа текстов
анализ тональности текста искусственные нейронные сети машинное обучение рекуррентные нейронные сети длинная цепь элементов краткосрочной памяти
Подробнее
05.14.14 ТЕПЛОВЫЕ ЭЛЕКТРИЧЕСКИЕ СТАНЦИИ, ИХ ЭНЕРГЕТИЧЕСКИЕ СИСТЕМЫ И АГРЕГАТЫ Страницы: 71-74 Выпуск №15533
ПРИМЕНЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ В СИСТЕМАХ ХИМИКО-ТЕХНОЛОГИЧЕСКОГО МОНИТОРИНГА ДЛЯ ОПТИМИЗАЦИИ ВОДНО-ХИМИЧЕСКИХ РЕЖИМОВ ТЕПЛОВЫХ ЭЛЕКТРОСТАНЦИЙ
водно-химические режимы тепловые электрические станции системы химико-технологического мониторинга математическое моделирование искусственные нейронные сети
Подробнее
Методы и системы защиты информации, информационная безопасность Страницы: 109-120 DOI: 10.33693/2313-223X-2023-10-3-109-120 Выпуск №23683
Применение термографический модели лица в задачах идентификации и аутентификации
квазистатические признаки термограммы лица термограмма лица идентификация по термограмме лица искусственные нейронные сети quasi-static facial thermogram features
Подробнее