

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、脈沖神經網絡(Spiking Neural Network,SNN)采用精確時間組成的脈沖序列表示與處理信息,是進行復雜時空信息處理的有效工具。監(jiān)督學習是SNN的重要研究領域,研究者提出了多種算法,并取得了良好的學習效果。但要在實際問題中廣泛應用,尤其是處理海量高維數據,訓練速度是有待克服的主要問題。
利用SNN的天然并行性,研究SNN的并行化方法,提高大規(guī)模SNN訓練速度是本課題的主要目標。SNN的加速仿真可以使用超級計算機
2、、計算機集群、圖形處理單元(GPU)以及特殊的硬件如現場可編程門陣列(FPGA)等。其中,GPU作為計算機的常規(guī)資源,具有性價比高、能耗低、高度并行和極強的計算能力。本課題將利用GPU加速大規(guī)模SNN訓練。
在統一設備架構(CUDA)環(huán)境下,使用PC機的CPU和GPU,構建了SNN并行計算平臺。基于神經元-突觸并行映射GPU處理單元,實現核函數(Kernel)完成如下功能:神經元輸入電流計算、脈沖發(fā)放神經元尋找、SNN脈沖傳播
3、和權值調整。采用適于多重前饋結構的Multi-ReSuMe算法,設計并實現了基于GPU的SNN監(jiān)督學習;通過稀疏化網絡參數的存儲,改進脈沖事件的表示方法,降低了網絡參數的存儲消耗;針對 GPU線程束的分叉問題,采用局部緩存降低不利影響,提高了GPU的利用率。
采用不同規(guī)模的SNN進行CPU和GPU模式仿真實驗,針對兩種模式的運行時間、加速比進行了對比分析。使用了兩個不同規(guī)模的數據集,Iris和duke breast-cance
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于脈沖序列內積的脈沖神經網絡監(jiān)督學習研究.pdf
- 基于脈沖序列內積的脈沖神經網絡監(jiān)督學習研究
- 脈沖耦合神經網絡及混沌脈沖耦合神經網絡的研究.pdf
- 脈沖神經網絡學習算法的研究及其應用.pdf
- 基于GPU的雙種群進化神經網絡的研究.pdf
- 基于STDP的脈沖神經網絡無監(jiān)督學習研究.pdf
- 基于GPU的深度神經網絡優(yōu)化方法研究.pdf
- 基于脈沖神經網絡的圖像分割研究.pdf
- 基于GPU的粒子群神經網絡研究與應用.pdf
- 進化脈沖神經網絡的文化學習研究.pdf
- 基于脈沖耦合神經網絡的圖像處理.pdf
- 基于脈沖耦合神經網絡的車輛圖像分割研究.pdf
- 基于脈沖耦合神經網絡的圖像增強算法研究.pdf
- 基于脈沖耦合神經網絡的圖像檢索算法研究.pdf
- 基于脈沖耦合神經網絡的圖像分割方法研究.pdf
- 傳統神經網絡與脈沖神經網絡之間的性能比較研究.pdf
- 基于多GPU的多層神經網絡并行加速訓練算法的研究.pdf
- 基于GPU的深度神經網絡模型并行及優(yōu)化方法研究.pdf
- 基于脈沖耦合神經網絡的圖像分割算法研究.pdf
- 基于脈沖神經網絡的語音識別方法研究.pdf
評論
0/150
提交評論