卷 积 神 经 网 络 (convolutional neural networks, CNN)是 深 度 学 习 技 术 应用最成熟的模型之一,卷积神经网络算法可以从原始输入中有效学习到高阶不变性的特征,利用卷积神经网络来提取特征进行目标识别和分析是当前 比 较 热 的 研 究 方 向 。 目 前 CNN 主 要 以 单 机 串 行 方 式 实 现 , 串 行 执 行 的CNN 算 法 存 在 一 些 缺 陷 :一 是 串 行 模 式 凸 显 出 训 练 时 间 过 长 ,算 法 内 在 并行性得不到发挥,内存不足等;二是伸缩性不足,在处理密集型数据效率不 高 。现 今 比 较 流 行 的 MapReduce 分 布 式 计 算 模 型 具 有 良 好 的 容 错 性 和 扩展 性 , 本 文 利 用 Hadoop 分 布 式 处 理 平 台 , 提 出 了 采 用 MapReduce 并 行 CNN 的 算 法 MRCNN。 并 在 MRCNN 算 法 基 础 上 持 续 进 行 优 化 , 提 出 利 用GPU 加 速 MRCNN 算 法
1