Особенности архитектуры искусственной нейронной сети в облачном сервисе и принципы их тренировки
| Jazyk: | ruština |
|---|---|
| Rok vydání: | 2021 |
| Předmět: |
процесс обучения нейронной сети
cloud storage algorithm экспертная система sociological data neural network models parallel computing neural network нейросеть neural network learning process big data большие данные облачное хранилище алгоритм параллельные вычисления нейросетевые модели социологические данные expert system |
| DOI: | 10.25791/asu.2.2021.1256 |
| Popis: | В данной статье рассмотрены особенности архитектуры нейронных сетей и принципы их тренировки. Проанализирована эффективность архитектур и методов обучения для решения конкретных задач. Для параллелизации алгоритма обучения многослойного персептрона на уровне выборки использовались директивы OpenMP. Приведены детали алгоритма и методологии оценки параметров ограничений параллельных вычислений в облачном сервисе. В результате сделан вывод о том, что развитие и тенденции в области параллельного обучения нейронных сетей все чаще находят применение и развитие во многих сферах, так как приводят к существенному сокращению времени процесса обучения, и, в зависимости от системы, на которой проводится обучение, могут показывать близкий к линейному рост эффективности в зависимости от количества процессоров, ядер, или потоков системы, контролируемых облачным сервисом. This article discusses the features of the architecture of neural networks and the principles of their training. The effectiveness of architectures and teaching methods for solving specifi c problems is analyzed. OpenMP directives were used to parallelize the learning algorithm of the multilayer perceptron at the sample level. Here are the details of the algorithm and methodology for estimating the parameters of parallel computing constraints in the cloud service. As a result, it was concluded that the development and trends in the field of parallel learning of neural networks are increasingly being used and developed in many areas. So, as they lead to a signifi cant reduction in the time of the training process, and, depending on the system on which the training is carried out, they can show a nearly linear increase in efficiency depending on the number of processors, cores, or system threads controlled by the cloud service. Промышленные АСУ и контроллеры, Выпуск 2 2021 |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|