通用GPU計算在分類算法中的研究與應(yīng)用.pdf

1、人們對計算能力的需求是永無止境的。在傳統(tǒng)的單核CPU發(fā)展遇到瓶頸而朝著多核方向發(fā)展的同時,圖形處理器以其強大的運算能力,逐漸進入了人們的視野。通用GPU計算成為一個熱點的研究方向。然而當前的通用GPU計算所應(yīng)用的領(lǐng)域,仍以圖形圖像處理和三維場景模擬為主。
　　 本文關(guān)注于將GPU應(yīng)用在數(shù)據(jù)挖掘和機器學習領(lǐng)域的分類算法中。在對GPU的體系結(jié)構(gòu)和性能特點進行研究的基礎(chǔ)上,提出基于GPU的算法設(shè)計原則,并以部分典型算法為例,進行了實現(xiàn)

2、和檢驗。具體工作包括以下幾方面:
　　 首先,探討將通用GPU計算應(yīng)用于分類算法的可行性。經(jīng)分析論證,在大規(guī)模和高維度數(shù)據(jù)集的分類上,應(yīng)用基于CUDA的GPU運算,如能滿足相應(yīng)的設(shè)計約束,則能取到較好效果。
　　 其次,提出了一種基于GPU的K最近鄰分類算法(GSNN算法)。該算法在距離計算階段提出了一種分塊策略,在最近鄰選擇階段采用了一種評估選擇的方法。這兩個方法都充分利用了GPU的結(jié)構(gòu)特點,發(fā)揮了其運算能力,得到很高

3、的加速比。
　　 第三,針對支持向量機算法復(fù)雜度較高,難以應(yīng)用于大樣本分類的問題,提出了GMP-CSVC算法。算法基于序貫最小優(yōu)化方法,在運算過程中,發(fā)揮了GPU的優(yōu)勢,并盡量減少程序分支,取得了較好的效果。
　　 最后,針對SVM分類器的參數(shù)尋優(yōu)過程,提出了基于GPU的GMP-nuSVC算法。算法在參數(shù)尋優(yōu)的訓練階段采用了基于v-SVM的改進算法、核矩陣緩存調(diào)度方案,在標號判定階段采用了分塊計算方法,從而實現(xiàn)對原始SV