由于概率圖模型推斷和學(xué)習(xí)已廣泛應(yīng)用于計算機視覺、自然語言處理、語音識別、生物信息學(xué)等研究領(lǐng)域的最新成果中,已成為學(xué)術(shù)界和工業(yè)界的研究熱點。另一方面,由于概率圖模型規(guī)模的不斷擴大,推理算法的時間呈現(xiàn)指數(shù)級增加。如何提高概率圖模型推理算法的速度已成為概率圖模型領(lǐng)域的一個重要研究方向。近年來,圖形處理器GPU的通用計算技術(shù)得到了迅速的發(fā)展。GPU由于其強大的并行計算能力、高吞吐量等優(yōu)勢已經(jīng)成為高性能計算領(lǐng)域的主流計算平臺�；谝陨闲蝿�,對現(xiàn)有的基于并行化加速算法進(jìn)行了充分研究后,本文借鑒了將推理算法建立在矩陣化計算的思想,并運用CUDA計算框架實現(xiàn)了基于GPU的概率圖模型推理算法的并行加速。本文主要針對概率圖模型推理算法中的精確推理算法做并行化問題研究。首先,深入研究了概率圖模型,重點研究了精確推理算法,尋找這些算法中可供并行計算的步驟。然后,為適應(yīng)CUDA GPU并行計算框架,分析精確推理相關(guān)算法,對和積消息傳遞部分和無依賴關(guān)系的節(jié)點對做出并行化改進(jìn)。提出了基于GPU的概率圖模型推理算法節(jié)點級并行化和拓?fù)浼壊⑿谢Ｗ詈?分別對基于GPU的概率圖模型推理算法節(jié)點級并行化和拓?fù)浼壊⑿谢M(jìn)行實驗... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

消元算法節(jié)點級并行化實驗結(jié)果

比在不同節(jié)點數(shù)和變量狀態(tài)數(shù)環(huán)境下的變化情況。圖 5-2 團樹傳播算法節(jié)點級并行化實驗結(jié)果與圖 5-1 一樣，在圖 5-2 中，橫軸代表概率圖中的節(jié)點數(shù)，縱軸代表變量狀態(tài)數(shù)，豎軸代表 GPU 算法對 CPU 算法的加速比。從圖中可以觀察以下幾種情況，其與消元算法節(jié)點級并行化的實驗中觀測到的情況大體相似：1）無論是節(jié)點數(shù)的增加還是變量狀態(tài)數(shù)的增加，GPU 算法對 CPU 算法的加速比的增長趨勢始終是向上的。2）隨著節(jié)點數(shù)的增長，GPU 算法對 CPU 算法的加速能夠獲得提升，但是加速比的增長幅度并不高。3）隨著變量狀態(tài)數(shù)的增長，GPU 算法對 CPU 算法的加速也能夠獲得提升

圖 5-3 團樹傳播算法拓?fù)浼壊⑿谢瘜嶒灲Y(jié)果在圖 5-3 中，橫軸代表概率圖中的節(jié)點數(shù)，縱軸代表變量狀態(tài)數(shù)，豎軸代表GPU 算法對 CPU 算法的加速比。從圖中可以觀察以下幾種情況：1）隨著節(jié)點數(shù)量的增大，GPU 算法較之 CPU 的加速比會越來越高，在變量狀態(tài)數(shù)為 50，節(jié)點數(shù)為 2200 時，可以得到 16 倍左右的加速比。2）在變量狀態(tài)數(shù)為 50，節(jié)點數(shù)為 2200 時，可以得到 16 倍左右的加速比隨之變量狀態(tài)數(shù)的增加，而在變量狀態(tài)數(shù)為 350，節(jié)點數(shù)為 2200 時，只能得到 2 倍

【參考文獻(xiàn)】：
期刊論文
[1]概率圖模型推理方法的研究進(jìn)展[J]. 劉建偉,崔立鵬,黎海恩,羅雄麟.  計算機科學(xué). 2015(04)
[2]概率圖模型研究進(jìn)展綜述[J]. 張宏毅,王立威,陳瑜希.  軟件學(xué)報. 2013(11)
[3]一種融合節(jié)點與鏈接屬性的社交網(wǎng)絡(luò)社區(qū)劃分算法[J]. 李孝偉,陳福才,劉力雄.  計算機應(yīng)用研究. 2013(05)
[4]基于CUDA架構(gòu)的GPU的并行數(shù)據(jù)挖掘技術(shù)研究[J]. 劉瑩,菅立恒,梁莘燊,李小君,高洋,王琤.  科研信息化技術(shù)與應(yīng)用. 2010(04)



本文編號：3273069