基于Im2col的并行深度卷积神经网络优化算法 后印本

摘要: 针对大数据环境下并行深度卷积神经网络(DCNN)算法中存在数据冗余特征多、卷积层运算速度慢、损失函数收敛性差等问题，提出了一种基于Im2col 方法的并行深度卷积神经网络优化算法IA-PDCNNOA。首先，提出基于Marr-Hildreth算子的并行特征提取策略MHO-PFES，提取数据中的目标特征作为卷积神经网络的输入，有效避免数据冗余特征多的问题；其次，设计基于Im2col方法的并行模型训练策略IM-PMTS，通过设计马氏距离中心值去除冗余卷积核，并结合MapReduce和Im2col方法并行训练模型，提高了卷积层运算速度；最后，提出改进的小批量梯度下降策略IM-BGDS，排除异常节点的训练数据对批梯度的影响，解决了损失函数收敛性差的问题。实验结果表明，IA- PDCNNOA算法在大数据环境下进行深度卷积神经网络计算具有较好的性能表现，适用于大规模数据集的并行化深度卷积神经网络模型训练。