Методы параллельного программирования нейронных сетей с использованием технологии CUDA

<p>Данная дипломная работа посвящена искусственным нейронным сетям и ускорению их работы при помощи параллельного программирования.</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Нейронные сети являются мощным инструментом, позволяющим анализировать огромные объёмы данных, делая на их основании выводы, которые могут помочь специалистам из разных областей. Одним из основных недостатков нейронных сетей является время, затрачиваемое на обработку больших объёмов данных. Этот недостаток можно исправить, используя параллельные алгоритмы при реализации нейронных сетей на практике. Не все алгоритмы можно эффективно распараллеливать, но алгоритмы нейронных сетей обладают множеством элементов, которые допускают эффективное параллельное выполнение процессов нейронной сети.</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; В данной дипломной работе, помимо общего представления о нейронных сетях, интервальных нейронных сетей, самоорганизующихся карт Кохонена и алгоритмов их параллелизации, рассмотрена технология CUDA и практика её применения.</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Таким образом первая глава диплома посвящена нейронным сетям. Рассмотрены сферы их применения, их плюсы и минусы. Так же подробно рассмотренных два примера нейронных сетей, а именно интервальные нейронные сети и самоорганизующиеся карты Кохонена.</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Вторая глава содержит информацию о параллелизации нейронных сетей, рассмотрена параллелизация двух выбранных моделей нейронных сетей &mdash; модели интервальных нейронных сетей и модели самоорганизующихся карт Кохонена. Так же рассмотрены основные методы параллелизации и разобрана технология CUDA и ее вклад в параллельные методы.</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Третья глава полностью посвящена практике применения технологии CUDA для написания параллельных алгоритмов нейронных сетей. Рассмотрена ее реализация на примерах моделей нейронных сетей и результаты их работы.</p>