基于CUDA平臺(tái)的機(jī)器學(xué)習(xí)算法GPU并行化的研究與實(shí)現(xiàn).pdf

1、目前機(jī)器學(xué)習(xí)的主要任務(wù)是對(duì)大批量用戶數(shù)據(jù)進(jìn)行學(xué)習(xí)分析，幫助管理者做決策。由于目前數(shù)據(jù)的維度以及樣本數(shù)很大，導(dǎo)致CPU串行處理耗時(shí)過(guò)多。而另一方面，GPU（Graphics Processing Unit）快速發(fā)展，擁有強(qiáng)大的并行處理能力。由于GPU高效低價(jià)且天然并行，科研人員開(kāi)始利用GPU做通用計(jì)算。CUDA（Compute Unified Device Architecture）是NVIDIA推出的用于發(fā)揮NVIDIA GPU通用計(jì)算

2、能力的編程環(huán)境。采用CUDA編程模型，可以簡(jiǎn)單有效的使用GPU對(duì)機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行并行化設(shè)計(jì)與實(shí)現(xiàn)。
　　本文主要研究基礎(chǔ)機(jī)器學(xué)習(xí)算法GPU并行化的可行性和實(shí)現(xiàn)方法，希望從中尋找出一種從CPU平臺(tái)到CUDA平臺(tái)的通用移植方案。主要工作包括：
　　針對(duì)分類機(jī)器學(xué)習(xí)算法，以KNN和決策樹(shù)算法為例，先是分析原有算法的性能消耗模塊，接著對(duì)主要性能消耗模塊進(jìn)行CUDA加速，最終設(shè)計(jì)出了KNN和決策樹(shù)算法適合CUDA的并行化方案，并選

3、取KNN算法進(jìn)行了實(shí)驗(yàn)，對(duì)比分析并行化前后的差異。最后總結(jié)了分類機(jī)器學(xué)習(xí)算法基于CUDA并行化的方案。
　　針對(duì)聚類機(jī)器學(xué)習(xí)算法，以k-means和DBScan為例，先是分析原有算法的性能消耗模塊，接著對(duì)主要性能消耗模塊進(jìn)行CUDA加速，最終設(shè)計(jì)出了k-means和DBScan算法適合CUDA的并行化方案，并選取k-means算法進(jìn)行了實(shí)驗(yàn)，對(duì)比分析并行化前后的差異。最后總結(jié)了聚類機(jī)器學(xué)習(xí)算法基于CUDA并行化的方案。