基于GPU的脈沖神經網絡學習研究.pdf

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