موازی سازی شبکه های عصبی پیشخور بر روی سیستم های چند پردازنده ای متقارن

پایان نامه
چکیده

هدف اصلی کار ارائه شده در این پروژه افزایش سرعت آموزش شبکه های عصبی با استفاده از فرآیند موازی سازی می باشد. در این پروژه سعی بر آن شده است تا از الگوریتم پس انتشار خطا بر روی شبکه های روبه رشد استفاده گردد. امروزه کامپیوترهای موازی بزرگ برای آزمایشگاههای تحقیقاتی و دانشگاه ها در دسترس است. بسیاری از اجراهای شبکه های عصبی در کامپیوترهای موازی گزارش شده است. اگر چه تحقیق کاربردهای عصبی در این پروژه نشان می دهد که اتصال کوچکی بین توسعه دهندگان کاربرد شبکه های عصبی و محققان فعال در زمینه کاربردهای موازی شبکه عصبی وجود دارد. بسیاری از برنامه های آموزشی عصبی اجرایی بر اساس فرضیه های غیر واقعی در مورد کاربردهای واقعی آزمایش شده است. به خودی خود برنامه موازی می تواند به طور تأثیر گذاری برای یک رتبه بزرگ از کاربردهای عصبی اجرا شود. چندین کاربرد از عصب واقعی در این کار برای آزمایش الگوریتم های موازی اجرا شده استفاده شده است. نتایج نشان می دهد نفع در این است که از تابع انعطاف پذیر استفاده شود. برای سیستم های موازی کوچک، بسیاری از اجراهای موازی می توانند به طور موثر آموزش ببینند. اگر چه اهمیت یک کار کاربردی قابل انعطاف برجسته تر از تعداد پردازشگرهایی است که افزایش می یابد؛ بنابراین برای به دست آمدن منفعت بیشتر از سیستم موازی بزرگ و درجات اصلی چندگانه موازی سازی در الگوریتم آموزشی، می بایست روش ترکیب جنبه های الگوریتم آموزشی بر طبق کاربرد عصبی به روز شود. همچنین دو آزمایش بر روی همگرایی پس انتشار شبکه عصبی آموزش دیده گزارش شده است. نتایج نشان می دهد که اگر تقسیم بندی مجموعه آموزشی استفاده شود تعداد بیشتری از تکرارها برای همگرایی در طرح موازی نیاز است. اگر چه همیشه مجموع زمان آموزشی مور نیاز با استفاده از کامپیوتر موازی در رابطه با یک کامپیوتر ترتیبی از ساعت به دقیقه کاهش پیدا کرده است.

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیاده سازی شبکه های عصبی راف با یادگیری احتمالاتی جهت شناسایی سیستم های غیرخطی

در این مقاله یک شبکه عصبی راف بهبود یافته به منظور شناسایی سیستم  های غیرخطی آشوبی ارائه شده است. شبکه  های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون  های راف طراحی می  شوند. یک نرون راف را می  توان بصورت زوجی از نرون  ها در نظر گرفت، که به نرون  های کرانه بالا و کرانه پایین موسوم هستند. رویکرد نرون راف استفاده از محاسبات بازه  ای در شبکه عصبی را امکان پذیر می  سازد، بنابراین می  توا...

متن کامل

طراحی و پیاده سازی عملی مشاهده‌گر به کمک شبکه عصبی پیشخور جهت کنترل پهپاد چهارپره

پایداری کوادروتور به دلیل دینامیک شدیدا غیر خطی از مهمترین مسایل پیش روی محققان در طراحی این ربات بوده است. در این مقاله ابتدا به طراحی یک کنترلرکلاسیک تناسبی- مشتق‌گیر به روش تنظیم با الگوریتم تکاملی ازدحام ذرات برای کنترل وضعیت پرنده پرداخته شده است. سپس به طراحی یک مشاهده‌گر غیر خطی برای تخمین حالتهای سرعت زاویه ای کوادروتور پرداخته شده است. در ادامه یک مشاهده‌گر شبکه عصبی با استفاده از داده...

متن کامل

مدل‌سازی دوبعدی بی‌هنجاری‌های مغناطیسی با استفاده از شبکه عصبی پیشخور

دراین مقاله، برای مدل‌سازی بی‌هنجاری‌های مغناطیسی از شبکه عصبی پیشخور استفاده شده، و مدل‌سازی با فرض شکل دایک شیبدار با گسترش نامحدود، انجام شده است. این روش قابلیت تخمین تمام پارامترهای هندسی یعنی؛ مختصات مرکز دایک بر روی پروفیل، عمق، شیب و عرض دایک را دارد. ابتدا کارائی این روش، با مدل‌های مصنوعی بدون نوفه و نوفه‌دار آزمایش شد، که نتایج رضایت بخشی بدست آمد. سپس از آن برای تفسیر داده‌های...

متن کامل

طراحی سخت افزار دیجیتالی یک شبکه عصبی پیشخور چند لایه

امروزه تحقق شبکه های عصبی عموما توسط نرم افزار صورت می پذیرد. از طرفی پیاده سازی سخت افزاری مدارات محاسباتی سرعت پاسخگویی را به مقدار قابل ملاحظه ای بهبود می بخشد. بعلاوه در اینگونه پیاده سازی ها می توان از تکنیک های پردازش موازی در انجام محاسبات نیز بهره برد. در این پروژه یک معماری سخت افزاری دیجیتالی برای شبکه های عصبی چند لایه پرسپترون ‏‎(mlp)‎‏ ارائه و پیاده سازی شده است که قابلیت تحقق شبکه...

15 صفحه اول

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه پیام نور - دانشگاه پیام نور استان تهران - پژوهشکده برق و کامپیوتر

کلمات کلیدی

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023