�ݺ�ߣ

РЕАЛИЗАЦИЯ РАДИАЛЬНО-БАЗИСНОЙ НЕЙРОННОЙ СЕТИ ...
Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2011, № 1 (71)
54
6
КОМПЬЮТЕРНЫЕ СИСТЕМЫ
И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
УДК 004.272:004.032.26
РЕАЛИЗАЦИЯ РАДИАЛЬНО-БАЗИСНОЙ НЕЙРОННОЙ СЕТИ
НА МАССИВНО-ПАРАЛЛЕЛЬНОЙ АРХИТЕКТУРЕ ГРАФИЧЕСКОГО
ПРОЦЕССОРА
Н.О. Матвеева
Предлагается распараллеливание в технологии программно-аппаратной архитектуры (CUDA) алгоритма обучения
радиально-базисной нейронной сети (RBFNN), основанного на идее последовательной настройки центров, ширины
и весов сети, а также идее коррекции весов по алгоритму минимизации квадратичного функционала методом со-
пряженных градиентов. Приводятся результаты сравнения времени обучения RBFNN на различных центральных и
графических процессорах, доказывающие эффективность распараллеливания.
Ключевые слова: графический процессор, параллельность, CUDA, массивно-параллельная архитектура, RBFNN,
дифференциальное уравнение.
Введение
Для решения краевых задач математической физики, описываемых дифференциальными уравне-
ниями в частных производных, наибольшее распространение получили методы конечных разностей и
конечных элементов, но эти методы требуют построения сеток и позволяют получить решение только в
узлах сетки. Этого существенного недостатка лишены бессеточные методы [1]. Бессеточные методы эф-
фективно реализуются на RBFNN [2]. Главное достоинство RBFNN состоит в использовании принципов
обучения для формирования оптимальных параметров радиально-базисных функций (RBF). Такие мето-
ды могут быть эффективно реализованы на параллельных системах.
Для распараллеливания RBFNN наиболее подходит модель вычислений SIMD (Single Instruction –
Multiple Data), так как нейроны одного слоя сети выполняют одинаковые действия над различными дан-
ными. На основе такой модели вычислений построены современные графические процессоры (GPU).
GPU выигрывают у кластерных систем по критерию цена/производительность.
Целью работы является разработка параллельной реализации алгоритма обучения RBFNN для ре-
шения краевых задач математической физики на графическом процессоре с использованием технологии
CUDA и исследование эффективности распараллеливания путем сравнения времени решения краевой
задачи на GPU и на центральном процессоре (CPU).
Структура RBFNN
RBFNN (рис. 1) представляет собой сеть с двумя слоями. Первый слой осуществляет преобразо-
вание входного вектора x с использованием RBF. Практически используются различные RBF.
Рис. 1. Радиально-базисная нейронная сеть
В дальнейшем будем использовать наиболее часто употребляемую функцию – гауссиан, имеющий
для k-го нейрона вид
)/exp()( 22
kkk ar x , (1)

55
где x – входной вектор; kkr cx  – радиус k-го нейрона; ka – ширина k-го нейрона; kc – центр k-го
нейрона. Выход сети описывается выражением



m
k
kkwu
1
),(x (2)
где kw – вес связи выходного нейрона с k-ым нейроном первого слоя; m – число нейронов первого слоя.
Алгоритм обучения RBFNN
Рассмотрим градиентный алгоритм обучения RBFNN на примере решения двумерного уравнения
Пуассона






),(),,(
2
2
2
2
yxyxf
y
u
x
u
, (3)
 ),(),,( yxyxpu , (4)
где  – граница области; f и p – известные функции ),( yx . Выбирая в качестве RBF гауссиан (1),
определяемый как
2
2
( , ) exp k
k
k
r
x y
a
 
   
 
, рассмотрим RBF-сеть как аппроксиматор функции решения



m
k
kkk rwu
1
),()(x (5)
где m – число RBF (скрытых нейронов); 22
)()( ykxkk cycxr  ; ),( ykxk cc – координаты центра
нейрона k ; ka – ширина нейрона k.
Обучение сети сводится к настройке весов, расположения центров и ширины нейронов, миними-
зирующих функционал качества (функционал ошибки), представляющий собой сумму квадратов невязок
в контрольных точках
 
2
11
2
2
2
2
2
),(
2
),(
),(),(
2
1
),,( 



















K
j
jjj
N
i
ii
iiii pyxuyxf
y
yxu
x
yxu
I aсw , (6)
где  – штрафной множитель; jp – значение граничных условий первого рода в точке j-границы; N и K
– количество внутренних и граничных контрольных точек.
В [2] предложен алгоритм последовательной настройки центров, ширины и весов с использовани-
ем метода градиентного спуска с подбором коэффициентов скорости обучения. Подбор коэффициентов
скорости обучения является основным недостатком данного метода.
В [3] для настройки весов предложен другой алгоритм, который сформулирован как задача мини-
мизации методом сопряженных градиентов квадратичного функционала. Данный метод не содержит
подбираемых коэффициентов, и настройка весов происходит быстрее, чем методом градиентного спуска.
Очень важно соблюдать при обучении соотношение между оптимальным количеством нейронов m
и количеством контрольных точек [4]
3
m N K ,
где ~ – знак пропорциональности. Данное соотношение требует большого числа контрольных точек, что
ведет к увеличению времени решения задачи. В [3] обосновано, что многократная случайная генерация
относительно небольшого числа контрольных точек внутри и на границе области решения компенсирует
нарушение пропорции.
Таким образом, обучение радиально-базисной сети состоит из следующих основных шагов.
1. Генерация начальных значений параметров сети.
2. Генерация случайных контрольных точек для одного или нескольких циклов обучения.
3. Несколько циклов настройки центров и ширины при зафиксированных весах. В данном случае цен-
тры и ширина настраивались методом градиентного спуска:
.
),,(
,
),,(
)1(
)()1()1(
)1()1()(
)1(
)()1()1(
)1()1()(












n
k
n
k
n
k
n
knn
k
n
k
n
k
n
k
n
k
n
knn
k
n
k
a
wacI
aa
c
wacI
cc

РЕАЛИЗАЦИЯ РАДИАЛЬНО-БАЗИСНОЙ НЕЙРОННОЙ СЕТИ ...
56
4. Несколько циклов настройки весов при зафиксированных значениях центров и ширины по алгорит-
му минимизации методом сопряженных градиентов квадратичного функционала, полученного в [3]:
),(5,0),(5,0),(2),( ppffwswAw I ,
где )(
2
1
NNMMA TT
 – симметричная положительно определенная матрица;
)(
2
1
pNfMs TT
 ; M – матрица mN  с элементами
2 2 2
2 4
4exp ik ik k
ik
k k
r r a
m
a a
  
  
 
; N – матрица
mK  с элементами
2
2
exp ik
ik
k
r
n
a
 
  
 
; f – вектор значений функции правой части во внутренних точ-
ках; p  вектор граничных условий в граничных контрольных точках.
5. Проверка, достигнута ли требуемая погрешность. Для этого целесообразно использовать одну из
норм вектора невязки (вектор невязки вычисляется во внутренних и граничных контрольных точ-
ках). Если требуемая погрешность не достигнута, то переход на шаг 2.
Используется пакетный режим обучения, т.е. вычисляется усредненная ошибка по всем контроль-
ным точкам.
Алгоритмы распараллеливания вычислений на графическом процессоре в технологии CUDA
Как было описано выше, для минимизации весов сети использовался алгоритм минимизации квад-
ратичного функционала методом сопряженных градиентов. Непосредственно данный алгоритм состоит
из матрично-векторных операций, распараллеливание которых описано в [5]. Но, кроме коррекции весов,
большая доля времени приходится на вычисление матриц M и N , расстояний ikr , коррекцию векторов
центров и ширины. При этом элементы данных матриц и векторов находятся не с помощью матрично-
векторных операций, а в циклах, что делает невозможным использование стандартной библиотеки
CUDA CUBLAS. Например, вычисление матрицы M и вектора 1r осуществляется в двух вложенных
циклах (рис. 2). Реализация данной функции на графическом процессоре позволяет избавиться от обоих
циклов и параллельно вычислить каждый из элементов матрицы M.
Рис. 2. Алгоритм последовательного вычисления матрицы М и вектора 1r
Для вычисления одного элемента матрицы M требуется прочитать из памяти ikr и ka и выпол-
нить все операции по формуле
2 2 2
2 4
4exp ik ik k
ik
k k
r r a
m
a a
  
  
 
, т.е. необходимо небольшое количество чтений
из памяти и большое количество вычислений. Такие задачи прекрасно реализуются на архитектуре гра-
фического процессора, так как слабое место GPU – относительно медленное чтение из памяти – компен-
сируется за счет большого количества параллельно выполняемых вычислений.
Как видно из рис. 3, вычисления на графическом процессоре происходят в nν блоках, каждый из
которых содержит m потоков. Один поток вычисляет один элемент матрицы M , в результате все эле-
Функция (входные данные: вектора – w, a, f; матрица – R; числа – m, nν)
1r = нулевой вектор 1×nν;
M = нулевая матрица nν×m
Цикл 1: i от 1 до nν
Цикл 2: k от 1 до m
4
222
2
4
k
kika
r
ik
a
ar
em k
ik



kikii wmrr  11
Конец цикла 2
iii frr  11
Конец цикла 1
Возвращаемые значения: M, 1r

57
менты матрицы вычисляются параллельно. Вычисление вектора i
m
k
kiki fwmr  
1
1 реализуется в этом
том же ядре, что и матрицы M , для уменьшения чтений из памяти, так как найденные элементы матри-
цы M сразу используются для вычисления вектора 1r через разделяемую память блока размером m1 .
Рис. 3. Алгоритм параллельного вычисления матрицы М и вектора 1r на GPU
Другие вычисления алгоритма обучения RBFNN, такие как вычисление матрицы N , коррекция
центров и ширины методом градиентного спуска, метод сопряженных градиентов для настройки весов,
распараллеливаются на графическом процессоре подобным образом.
Анализ результатов экспериментов
Алгоритм обучения RBFNN реализовывался с помощью технологии CUDA на графическом про-
цессоре nVidia GeForce 8800 GTX, на центральных процессорах Intel Pentium 4 3 GHz (CPU1) и Intel®
Core™ 2 Quad CPU Q8200 2,33GHz (CPU2) на Microsoft Visual Studio 2008. Экспериментальное исследо-
вание проводилось на примере модельной задачи (3)–(4) для )sin()sin(),( yxyxf  , 0),( yxp . Анализ
результатов экспериментов показал, что часть алгоритма, не включающая обучение весов сети, распа-
раллеливается очень эффективно, значительно уменьшая время вычислений. Метод сопряженных гради-
ентов для обучения весов становится более эффективным при увеличении числа нейронов. Для решае-
мой задачи увеличивать количество нейронов не имело смысла, поэтому ускорения были получены в
основном за счет распараллеливания шага 1, вычисления матриц M , N и др., что можно видеть из таб-
лицы. При решении более сложного уравнения эффективность распараллеливания на графическом про-
цессоре будет значительней, но и для решаемой задачи было получено существенное ускорение. Общее
ускорение вычислялось по формуле
GPUвычисленийВремя
CPUвычисленийВремя
S . В сравнении с CPU Intel Pentium 4
3 GHz при числе контрольных точек 224 оно составило 38,58, при числе контрольных точек 524 – 83,42,
в сравнении с Intel® Core™ 2 Quad CPU Q8200 2,33GHz – 17,31 и 34,5 соответственно.
В таблице приведены результаты экспериментов, из которых видно, что уже при небольшом числе
нейронов и контрольных точек реализация алгоритма обучения на графическом процессоре дает сущест-
венный выигрыш во времени.
Параметры сети Шаг алгоритма
обучения сети
GPU,
мс
СPU 1,
мс
CPU 2,
мс
Уск. 1 Уск. 2
Число контр. точек = 224 Шаг 3 0,56 64,1 27,8 114,5 49,6
Число контр. точек = 524 Шаг 3 0,58 173,2 71,7 298,6 123,6
Число нейронов = 64 Шаг 4 1,12 1,9 1,2 1,7 1,07
Таблица. Результаты экспериментов
Блок nν
Блок 2
Блок 1
···
···
···
Блок 1. Поток i ( mi ,...,2,1 )
1. Чтение из глобальной памяти iR1 , ia и iw
2. Вычисление
4
22
1
1
2
2
1
4
i
iia
R
i
a
aR
em i
i



3. Вычисление mkwm1 и запись в разделяемую
память
4. Суммирование значений в разделяемой памя-
ти потоками блока, подобно параллельному
вычислению скалярного произведения
5. Запись в глобальную память вычисленных
значений im1 и ir1
Потоки:
1 2 m–1 m

МЕТОД НАВИГАЦИИ ПО ТЕКСТУ ДОКУМЕНТА С ПОМОЩЬЮ АВТОМАТИЧЕСКОЙ...
58
Заключение
В результате распараллеливания алгоритма обучения RBFNN, основанного на идее последова-
тельной настройки центров, ширины и весов и идее использования для настройки весов алгоритма ми-
нимизации квадратичного функционала методом сопряженных градиентов, было достигнуто существен-
ное уменьшение времени вычислений. При решении уравнения Пуассона, с использованием сети с 64-мя
нейронами и 524 контрольными точками, достигнуто ускорение в 34,5 раза в сравнении с CPU Intel®
Core™ 2 Quad.
Работа выполнена по тематическому плану научно-исследовательских работ Пензенского государ-
ственного педагогического университета, проводимых по заданию Федерального агентства по образованию.
Литература
1. Liu G.R. An Introduction to Meshfree Methods and Their Programming / G.R. Liu, Y.T. Gu. – Springer,
2005. – 479 p.
2. Jianyu L. Numerical solution of elliptic partial differential equation using radial basis function neural net-
works / L. Jianyu, L. Siwei, Q. Yingjiana, H. Yapinga // Neural Networks. – 2003. – 16(5/6). – P. 729–734.
3. Горбаченко В.И. Радиально-базисные нейронные сети для решения краевых задач бессеточными
методами / В.И. Горбаченко, Е.В. Артюхина, В.В. Артюхин // Нейроинформатика-2010: Сборник
научных трудов XII Всероссийской научно-технической конференции. В 2-х частях. Часть 2. – М.:
НИЯУ МИФИ, 2010. – С. 237–247.
4. Хайкин С. Нейронные сети: Полный курс / С. Хайкин. – М.: Вильямс, 2006. – 1104 с.
5. Горбаченко В.И. Реализация итерационных алгоритмов решения систем линейных алгебраических
уравнений на графических процессорах в технологии CUDA / В.И. Горбаченко, Н.О. Матвеева //
Вопросы радиоэлектроники. Серия ЭВТ. – 2008. – Вып. 6. – С. 65–75.
Матвеева Наталья
Олеговна
– Пензенский государственный педагогический университет им. В. Г. Белинского,
аспирант, fire_tiger_705@mail.ru

�ݺ�ߣ

РЕАЛИЗАЦИЯ РАДИАЛЬНО-БАЗИСНОЙ НЕЙРОННОЙ СЕТИ НА МАССИВНО-ПАРАЛЛЕЛЬНОЙ АРХИТЕКТУРЕ ГРАФИЧЕСКОГО ПРОЦЕССОРА

Recommended

More Related Content

What's hot (6)

Similar to РЕАЛИЗАЦИЯ РАДИАЛЬНО-БАЗИСНОЙ НЕЙРОННОЙ СЕТИ НА МАССИВНО-ПАРАЛЛЕЛЬНОЙ АРХИТЕКТУРЕ ГРАФИЧЕСКОГО ПРОЦЕССОРА (20)

More from ITMO University (20)

РЕАЛИЗАЦИЯ РАДИАЛЬНО-БАЗИСНОЙ НЕЙРОННОЙ СЕТИ НА МАССИВНО-ПАРАЛЛЕЛЬНОЙ АРХИТЕКТУРЕ ГРАФИЧЕСКОГО ПРОЦЕССОРА