概率图模型推理算法及其并行化研究

发布时间：2021-07-09 04:54

　　由于概率图模型推断和学习已广泛应用于计算机视觉、自然语言处理、语音识别、生物信息学等研究领域的最新成果中,已成为学术界和工业界的研究热点。另一方面,由于概率图模型规模的不断扩大,推理算法的时间呈现指数级增加。如何提高概率图模型推理算法的速度已成为概率图模型领域的一个重要研究方向。近年来,图形处理器GPU的通用计算技术得到了迅速的发展。GPU由于其强大的并行计算能力、高吞吐量等优势已经成为高性能计算领域的主流计算平台。基于以上形势,对现有的基于并行化加速算法进行了充分研究后,本文借鉴了将推理算法建立在矩阵化计算的思想,并运用CUDA计算框架实现了基于GPU的概率图模型推理算法的并行加速。本文主要针对概率图模型推理算法中的精确推理算法做并行化问题研究。首先,深入研究了概率图模型,重点研究了精确推理算法,寻找这些算法中可供并行计算的步骤。然后,为适应CUDA GPU并行计算框架,分析精确推理相关算法,对和积消息传递部分和无依赖关系的节点对做出并行化改进。提出了基于GPU的概率图模型推理算法节点级并行化和拓扑级并行化。最后,分别对基于GPU的概率图模型推理算法节点级并行化和拓扑级并行化进行实验... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

消元算法节点级并行化实验结果

比在不同节点数和变量状态数环境下的变化情况。图 5-2 团树传播算法节点级并行化实验结果与图 5-1 一样，在图 5-2 中，横轴代表概率图中的节点数，纵轴代表变量状态数，竖轴代表 GPU 算法对 CPU 算法的加速比。从图中可以观察以下几种情况，其与消元算法节点级并行化的实验中观测到的情况大体相似：1）无论是节点数的增加还是变量状态数的增加，GPU 算法对 CPU 算法的加速比的增长趋势始终是向上的。2）随着节点数的增长，GPU 算法对 CPU 算法的加速能够获得提升，但是加速比的增长幅度并不高。3）随着变量状态数的增长，GPU 算法对 CPU 算法的加速也能够获得提升

图 5-3 团树传播算法拓扑级并行化实验结果在图 5-3 中，横轴代表概率图中的节点数，纵轴代表变量状态数，竖轴代表GPU 算法对 CPU 算法的加速比。从图中可以观察以下几种情况：1）随着节点数量的增大，GPU 算法较之 CPU 的加速比会越来越高，在变量状态数为 50，节点数为 2200 时，可以得到 16 倍左右的加速比。2）在变量状态数为 50，节点数为 2200 时，可以得到 16 倍左右的加速比随之变量状态数的增加，而在变量状态数为 350，节点数为 2200 时，只能得到 2 倍

【参考文献】：
期刊论文
[1]概率图模型推理方法的研究进展[J]. 刘建伟,崔立鹏,黎海恩,罗雄麟.  计算机科学. 2015(04)
[2]概率图模型研究进展综述[J]. 张宏毅,王立威,陈瑜希.  软件学报. 2013(11)
[3]一种融合节点与链接属性的社交网络社区划分算法[J]. 李孝伟,陈福才,刘力雄.  计算机应用研究. 2013(05)
[4]基于CUDA架构的GPU的并行数据挖掘技术研究[J]. 刘莹,菅立恒,梁莘燊,李小君,高洋,王琤.  科研信息化技术与应用. 2010(04)



本文编号：3273069