基于Im2col的并行深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法

打開文本圖片集

摘要：針對大數(shù)據(jù)環(huán)境下并行深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）算法中存在數(shù)據(jù)冗余特征多、卷積層運算速度慢、損失函數(shù)收斂性差等問題，提出了一種基于Im2col方法的并行深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法IA-PDCNNOA。首先，提出基于Marr-Hildreth算子的并行特征提取策略MHO-PFES，提取數(shù)據(jù)中的目標(biāo)特征作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，有效避免了數(shù)據(jù)冗余特征多的問題；其次，設(shè)計基于Im2col方法的并行模型訓(xùn)練策略IM-PMTS，通過設(shè)計馬氏距離中心值去除冗余卷積核，并結(jié)合MapReduce和Im2col方法并行訓(xùn)練模型，提高了卷積層運算速度；最后提出改進的小批量梯度下降策略IM-BGDS，排除異常節(jié)點的訓(xùn)練數(shù)據(jù)對批梯度的影響，解決了損失函數(shù)收斂性差的問題。（剩余23939字）