基于深度學習的人臉識別算法并行化研究.pdf

1、卷積神經網絡(convolutional neural networks, CNN)是深度學習技術應用最成熟的模型之一，卷積神經網絡算法可以從原始輸入中有效學習到高階不變性的特征，利用卷積神經網絡來提取特征進行目標識別和分析是當前比較熱的研究方向。目前 CNN主要以單機串行方式實現，串行執(zhí)行的CNN算法存在一些缺陷：一是串行模式凸顯出訓練時間過長，算法內在并行性得不到發(fā)揮，內存不足等；二是伸縮性不足，在處理密集型數據效率不高?，F今比較流

2、行的 MapReduce分布式計算模型具有良好的容錯性和擴展性，本文利用 Hadoop分布式處理平臺，提出了采用 MapReduce并行化CNN的算法 MRCNN。并在 MRCNN算法基礎上持續(xù)進行優(yōu)化，提出利用GPU加速 MRCNN算法，將每層的特征圖、神經元或權值分別映射到 GPU的線程塊、線程，使得同層神經元可并行地計算輸出結果、輸出誤差或權值的局部梯度改變量。
　　本文首先介紹人臉識別的基本原理，描述常用的人臉識別算法的處

3、理流程。其次闡述了深度學習的原理和理論，分析卷積神經網絡的結構特征，針對其單機性能問題提出并行化思想。接著描述了 Hadoop圖像處理框架，設計出了圖像的存儲與計算模型。最后研究 Hadoop平臺上并行化卷積神經網絡，并通過 GPU對并行化的神經網絡進行進一步加速。最后在改進的深度學習云平臺上做人臉識別實驗。本文的主要工作如下：
　　1.針對 Hadoop不直接支持處理海量小圖像文件和不能高效管理這些小文件的問題，研究并實現了 H

4、adoop圖像處理框架?？蚣苤贫藞D像數據在 Java開發(fā)語言中的表示，使其適用于MapReduce計算模型。設計了存儲模型來高效存儲海量小文件及管理小文件。
　　2.提出了一種在 Hadoop集群上，采用數據并行的方式，基于MapReduce并行化多層神經網絡的方法 MRCNN，給出了算法設計與實現,在此基礎上使用 GPU進一步進行加速，提出了 GMRCNN算法。
　　3.最后基于 GMRCNN實現人臉識別并行化研究。實驗