分布式环境下卷积神经网络并行策略研究

摘要：

卷积神经网络通常使用标准误差逆传播算法进行串行训练,随着数据规模的增长,单机串行训练存在耗时长且占有较多的系统资源的问题.为有效实现海量数据的卷积神经网络训练,提出一种基于MapReduce框架的BP神经网络并行化训练模型.该模型结合了标准误差逆传播算法和累积误差逆传播算法,将大数据集分割成若干个子集,在损失少量准确率的条件下进行并行化处理,并扩展MNIST数据集进行图像识别测试.实验结果表明,该算法对数据规模有较好的适应性,能够提高卷积神经网络的训练效率.

关键词：卷积神经网络、后向传播(BP)算法、Hadoop并行策略

所属期刊栏目：53

分类号：TP183(自动化基础理论)

资助基金：上海市科委基础研究重点项目13JC1403501

在线出版日期：2017-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1-7,14