1、模式識別研究的理論和方法在很多科學和技術領域中得到了廣泛的重視,深度學習系統(tǒng)作為一種模式識別方法,在過去幾年受到極大地關注。目前,多核、眾核處理器已經成為計算設備的主流,然而,深度學習系統(tǒng)的訓練時間較長的缺陷依然沒有改善,原因在于深度學習系統(tǒng)計算密度非常高,如何將深度學習系統(tǒng)在并行系統(tǒng)中實現成為一個非常必要的研究課題。
　　 由于模式識別涉及到很多復雜的問題,現有的理論和方法對于解決這些問題還有很多不足之處。深度學習系統(tǒng)是一種受

2、生物啟發(fā)的方法,主要用于處理高維信號。眾所周知,高維信號往往可能涉及到跨度很大的時空信息,這就使得用一般方法來表示高維信號成為一個極大地挑戰(zhàn)。深度學習系統(tǒng)試圖通過一種分層的架構來克服這一挑戰(zhàn),這一架構的每一層都是由大量的具有類似功能的節(jié)點組成。這與目前的主流方法不同,目前主流的方法是對高維信號進行預處理,以減少其維度,但這樣做常會得到一個次優(yōu)的結果。
　　 本文詳細分析了Tesla GPU圖形與計算架構和CUDA統(tǒng)一計算設備架構

3、,針對深度信念網絡,卷積神經網絡以及深度時空推理網絡這三大典型深度學習系統(tǒng)進行了研究與討論,給出了深度時空推理網絡的數據并行形式和CUDA實現方案,在Tesla上實現了基于CUDA架構的深度時空推理網絡的MNIST手寫數字識別,訓練時間只有913秒(約15分鐘),而傳統(tǒng)的深度時空推理網絡在2.4GHz的CPU上訓練需要48小時,速度提高了約192倍,以測試結果驗證了并行算法的設計。
　　 本文提出的深度時空推理網絡的CUDA并行