为了提高深度卷积神经网络(DCNN)的图像并行处理能力,提高其图像识别的准确率和运行效率,研究过程以MapReduce并行计算框架和从图像到矩阵(Image to Column,Im2col)算法,分别进行原始图像特征并行提取和筛选、模型并行训练和参数并行更...为了提高深度卷积神经网络(DCNN)的图像并行处理能力,提高其图像识别的准确率和运行效率,研究过程以MapReduce并行计算框架和从图像到矩阵(Image to Column,Im2col)算法,分别进行原始图像特征并行提取和筛选、模型并行训练和参数并行更新,构建了并行DCNN优化算法。在性能检测阶段,将全连接神经网络和基于特征图和并行计算熵的深度卷积神经网络算法作为对照组,对比TOP⁃1准确率、浮点运算量、损失函数振荡性、运算时长四项指标,结果显示,此次提出的并行DCNN优化算法性能最佳。展开更多
文摘为了提高深度卷积神经网络(DCNN)的图像并行处理能力,提高其图像识别的准确率和运行效率,研究过程以MapReduce并行计算框架和从图像到矩阵(Image to Column,Im2col)算法,分别进行原始图像特征并行提取和筛选、模型并行训练和参数并行更新,构建了并行DCNN优化算法。在性能检测阶段,将全连接神经网络和基于特征图和并行计算熵的深度卷积神经网络算法作为对照组,对比TOP⁃1准确率、浮点运算量、损失函数振荡性、运算时长四项指标,结果显示,此次提出的并行DCNN优化算法性能最佳。
