شتاب دهنده های شبکه عصبی عمیق مبتنی بر الگوریتم یادگیری ماشین با روش فشرده سازی ماتریس خلوت

امروزه، شبکه های عصبی عمیق به گونه ای طراحی شده اند که می توانند بر اساس مقادیر و پارامترهای بسیار متعددی محاسبات را انجام دهند به گونه ای که توانایی در تحلیل و پردازش اطلاعات در آن ها فراتر از قابلیت های تحلیل انسانی است. بنابراین، پیچیدگی در محاسبات به شکل بسیار محسوس و شایان توجه افزایش می یابد. علاوه بر افزایش پیچیدگی، تخصیص فضا برای استقرار این شبکه های بزرگ هم چالشی مهم محسوب می شود.از سوی دیگر،به دلیل وجود تعداد زیاد پارامترها و وزن ها ، این شبکه ها نیاز به حافظه ی زیادی دارند. این مساله می تواند باعث ایجاد سربار زیاد، به خصوص در سیستم های مبتنی بر ابری یا دستگاه های محدود منابع، بشود و به تبع مشکل ساز باشد. بنابراین، پژوهش در زمینه فشرده سازی ماتریس های خلوت که در شبکه های عصبی عمیق استفاده می شود، حائز اهمیت است. از روش های فشرده سازی، می توان برای کاهش حجم اطلاعات استفاده کرد و هم زمان سرعت پردازش را هم افزایش داد. این پژوهش به ارائه ی دو روش جدید برای فشرده سازی ماتریس های خلوت می پردازد که در روش اول پیشنهادی به فشرده سازی عناصر نسبت به فاصله آنها از اولین عنصر همان سطر بطور میانگین میزان ۰.۰۷ درصد فشرده سازی بیشتر نسبت به روش فشرده سازی CSR حاصل شد و در روش دوم که با ذخیره سازی فاصله هر عنصر غیر صفر با عنصر قبلی این میانگین به ۲.۵ درصد بروی ماتریس های پژوهش شده رسیده است. همچنین در روش اول ارائه شده بطور میانگین حدود ۱۰.۸۲ درصد عملیات فشرده سازی سریعتر نسبت به روش فشرده سازی CSR انجام شده و در روش دوم این میزان به ۱۵.۳۱ درصد نیز می رسد.

کلیدواژه ها:

شبکه عصبی عمیق ، الگوریتم یادگیری ماشین ، ماتریس خلوت