Журнал Современные проблемы науки и образования 2070-7428 Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания" ART-11081 ИСПОЛЬЗОВАНИЕ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ В АЛГОРИТМАХ ОБУЧЕНИЯ И РАБОТЫ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Ширма А.А. Shirma A.A. escriptum@mail.ru Чулюков В.А. Chulyukov V.A. chul_130451@mail.ru ФГБОУ ВПО «Воронежский государственный педагогический университет» Voronezh State Pedagogical University 11 06 2013 6 84 84 This is an open-access article distributed under the terms of the CC BY 4.0 license. https://science-education.ru/ru/article/view?id=11081

Рассмотрено использование параллельных вычислений на многоядерных центральном (CPU) и графическом (GPU) процессорах для повышения быстродействия работы искусственной нейронной сети (ИНС) в системе фильтрации шума. В некоторой степени многопроцессорные системы, как и ИНС, копируют структуру мозга. Предварительные результаты показывают 1,5-кратное повышение производительности при обработке изображений и 4-кратное при обучении ИНС. Таким образом, использование параллельных реализаций алгоритмов для обучения и работы ИНС способно уменьшить количество времени, необходимое для обработки данных. Для расчетов использованы центральный процессор Intel Core i5-2400 с 4 ядрами и графический адаптер NVIDIA GeForce GTX 460 с 336 ядрами. В качестве ИНС использован многослойный перцептрон. Тестирование проводилось в MATLAB с установленным Parallel Computing Toolbox.

The usage of parallel computing on multi-core central (CPU) and graphics (GPU) processors to improve performance of an artificial neural network (ANN) in a noise filtering. To some extent, multiprocessor systems copy brain structure. Preliminary results showed 1.5 times performance improvement in image processing and 4-fold at training the ANN. Thus, the use of parallel implementations of algorithms for learning and working ANN can reduce the amount of time required to process the data. For the calculations used CPU Intel Core i5-2400 with 4 cores and graphics card NVIDIA GeForce GTX 460 with 336 cores. As ANN used a multilayer perceptron. Testing was conducted in MATLAB to set Parallel Computing Toolbox.

 нейронная сеть изображение параллельные вычисления neural network image parallel computing

1. Ширма А.А, Чулюков В.А. Нейросетевые модели адаптивной фильтрации полутоновых изображений // Вестник Воронежского института МВД России. – 2010. - №2. – С.185-191.

2. GeForce GTX 460 [Электронный ресурс]. – Режим доступа: http://www.geforce.com/hardware/desktop-gpus/geforce-gtx-460 (Дата обращения: 18.07.2013).

3. Intel® Core™ i5-2400 Processor [Электронный ресурс]. – Режим доступа: http://ark.intel.com/ru/products/52207 (Дата обращения: 18.07.2013).

4. Moller M.F. A scaled conjugate algorithm for fast supervised learning // Neural Networks. – 1993. – Vol. 6. – P. 525-533.

5. Moravanszky А., Dense matrix algebra on the GPU // Wordware Publishing [Электронный ресурс]. – 2003. Режим доступа: http://www.shaderx2.com/shaderx.PDF (Дата обращения: 18.07.2013).

6. NVIDIA CUDA Programming Guide [Электронный ресурс]. – Режим доступа: http://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html (Дата обращения: 18.07.2013).

7. NVIDIA CUDA [Электронный ресурс]. – Режим доступа: http://www.nvidia.com/object/cuda_home_new.html (Дата обращения: 18.01.2013).

8. NVIDIA CUDA GPUs [Электронный ресурс]. – Режим доступа: https://developer.nvidia.com/cuda-gpus (Дата обращения: 18.07.2013).

9. Wikipedia. GPU history. – Режим доступа: https://en.wikipedia.org/wiki/Graphics_processing_unit (Дата обращения: 18.07.2013).