Сочинение на тему Параллельные вычисления для машинного обучения

ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛЕНИЯ ДЛЯ ОБУЧЕНИЯ МАШИНЫ

В новой глобальной экономике машинное обучение стало центральной проблемой для большинства областей исследований, поскольку оно предлагает методы, позволяющие справиться с чрезвычайно сложной и актуальной проблемой реального мира. Изучение машинного обучения важно для решения фундаментальных вопросов, связанных с наукой и техникой. Существует три поддомена машинного обучения, тогда как; Обучение под наблюдением, при котором обучение будет проводиться только в том случае, если данные были помечены и состоят из входных данных и желаемых результатов, неконтролируемое обучение, при котором данные обучения не нуждались в пометке, а среда производила ввод данных без конкретных целей и, наконец, обучения с подкреплением, характеристика информации, доступной в обучающей базе данных между контролируемым и неконтролируемым, и этот вид обучения происходит из обратной связи, получаемой в результате взаимодействия с внешней средой.

Обучение как под надзором, так и без надзора подходит для анализа данных, в то время как обучение с подкреплением подходит для решения проблем, состоящих из процесса принятия решений. В связи с быстрым появлением тенденций в области машинного обучения очень важна необходимость совершенствования традиционного машинного обучения до современного машинного обучения. Улучшение в плане программного обеспечения (алгоритма) и аппаратного обеспечения является ключом к появлению передового машинного обучения, способного справиться с текущим машинным обучением. В нескольких передовых методах обучения были упомянуты в целях улучшения традиционного машинного обучения, в том числе; Репрезентативное обучение, глубокое обучение, распределенное и параллельное обучение, трансферное обучение, активное обучение и обучение на основе ядра.

Параллельное обучение в основном основано на среде параллельных вычислений. Параллельные вычисления определяются как набор взаимосвязанных процессов между элементами обработки и модулями памяти. В машинном обучении параллельные вычисления улучшили традиционное машинное обучение за счет использования многоядерного процессора вместо одного процессора [2]. Некоторые исследователи обсуждали и применяли параллельные вычисления, чтобы иметь дело с машинным обучением. Цю и др. и др. Приходите с обзорным документом, в котором обсуждались способы обработки больших данных с помощью машинного обучения. Поскольку данные становятся большими и сложными, традиционное машинное обучение сталкивается с трудностями при обучении этих данных. Таким образом, шесть продвинутых методов обучения были введены, как указано ранее. Затем были обсуждены пять вопросов машинного обучения в больших данных.

Одна из проблем, включая понимание большого объема данных. Для решения этой проблемы предлагается распределенная структура, основанная на параллельных вычислениях. Метод мультипликаторов с переменным направлением (ADMM), структура, которая может производить алгоритм с возможностью разброса и масштабирования, очень подходит. ADMM способен разделить несколько проблем и помогает определить решение, координируя эти решения в меньшую группу проблем. Далее, было упомянуто использование методов параллельного программирования для решения крупномасштабных выпущенных наборов данных. После этого Memeti et. и др. обзор двух методов планирования параллельных вычислительных систем – машинного обучения и метаэвристических методов. Поскольку параллельные вычисления обычно связаны с проблемой, которая является очень сложной и ресурсоемкой, необходимо использовать несколько процессоров.

Исследователи всегда производят комбинацию процессоров, графических процессоров и FPGA, чтобы обеспечить более высокую производительность и энергоэффективность. В этой статье Memeti et. и др. также обсуждались несколько популярных алгоритмов машинного обучения; Линейная регрессия (LR), Дерево решений (DT), Машина опорных векторов (SVM), Байесовский вывод (BI), Случайный лес (RF) и Искусственная нейронная сеть (ANN). Затем Memeti et. и др. объясняет характеристику проблемы, которая может быть решена с помощью машинного обучения и метаэвристических методов, основанных на подходящих подходах.

Затем была разработана структура, основанная на архитектуре параллельных вычислений. Chiao et. и др. Приходите с бумагой, которая предназначена для обучения модели торговли в режиме реального времени путем сбора набора аналогичных исторических финансовых.

Используемый текущий метод

Алгоритм AdaBoost был улучшен до алгоритма соединения-AdaBoost и применяется с платформой параллельных вычислений Open Computing Language (OpenCL). OpenCL – это платформа открытого стандарта, разработанная для нескольких платформ. Он предоставил архитектуру для параллельных вычислений и сборки с API, законченным языком программирования, библиотеками программирования и средой выполнения. Затем это позволило реализовать сложные алгоритмы пользователем. OpenCL состоит из CPU и GPGPU (универсальные вычисления в процессоре), которые поддерживают модель параллельного программирования для данных и задач. Кроме того, Pratama et. и др. Приходите с бумагой, которая поможет реорганизовать рукописное изображение на японском языке, используя комбинацию алгоритма Auto-Encoder и структуры остаточных блоков с архитектурой CUDA, которая поддерживает библиотеку программирования и полагается на параллельные вычисления. Использование OpenCL в Chiao et.al и Остаточный блок в Pratama et. и др. Доказано, что среда параллельных вычислений поможет сократить время, затрачиваемое на процесс обучения данных. Далее обе статьи также выясняют, что использование процессора более эффективно по сравнению с GPU.

Затем Кибенко проанализировал, как параллельные вычисления применялись в машинном обучении для работы с социальными сетями. Кибенко предложил три важнейших компонента, чтобы определить, является ли применение машинного обучения обязательным:

 
• работа с большим количеством наборов данных,

 

• типы программного обеспечения, которые доступны для реализации этого процесса обучения,