موازي‌سازي شبكه‌هاي مولد چندگانه رقابتي براي كارايي در ‌محيط داده‌هاي بزرگ

كارشناسي ارشد

داده‌هاي بزرگ و يادگيري عميق در عصر حاضر تحولات بزرگي را در صنعت رقم زده‌اند و با يكديگر پيوند خورده‌اند. ماهيت شبكه‌هاي عصبي به گونه‌اي است كه با دريافت داده‌هاي بيشتر هنگام آموزش، مدل بهتري ايجاد مي‌كند. اما ويژگي داده‌هاي بزرگ، يادگيري عميق را با چالش‌هايي روبه‌رو ساخته است. يكي از اين چالش‌ها، به كثرت داده‌ها مربوط مي‌شود كه به صورت مستقيم بر پيچيدگي زماني و حافظه تأثير مي‌گذارد و ما را با محدوديت‌هاي سخت‌افزاري مواجه مي‌سازد. راهكار موجود براي غلبه بر اين چالش، عمليات موازي‌سازي است. تا به امروز، محققان در اين راستا گام‌هايي برداشته‌اند و مدل‌هايي به منظور توزيع الگوريتم‌هاي يادگيري عميق ارائه كرده‌اند. در اين پايان‌نامه قصد داريم به دليل جايگاه مهم شبكه‌هاي مولد رقابتي در دنياي امروز، تمركز خود را روي اين شبكه‌ها قرار دهيم. مدل‌هاي بسياري جهت بهبود و رفع نقصان‌هاي اين شبكه‌ها ارائه شده است؛ يكي از آن‌ها به كارگيري چند مولد به جاي يك مولد است كه تا مسئله حدي فروپاشي حالت در اين شبكه‌ها را كاسته است. اين مدل، شبكه مولد چندگانه رقابتي نام دارد. به دليل پيچيدگي بالا شبكه‌هاي مولد رقابتي، فرآيند آموزش، زمان‌بر است كه با وجود مولدهاي بيشتر، برقراري رابطه ميان آن‌ها و به كارگيري داده‌هاي بزرگ هنگام آموزش، براي به دست آوردن مدل بهتر به مراتب زمان آموزش را طولاني‌تر مي‌نمايند. از اين سو براي اعمال شبكه‌هاي مولد چندگانه رقابتي نيازمند سيستم‌هايي با واحد پردازنده گرافيكي قوي و حافظه بالا هستيم. در اين پايان‌نامه بستري براي موازي ساختن شبكه‌هاي مولد چندگانه رقابتي را فراهم ساختيم. با موازي‌سازي اين شبكه‌ها امكان به كارگيري داده‌هاي بزرگ در آموزش را ايجاد كرديم تا مدل بهتر توليد نماييم. ارزيابي‌هاي صورت گرفته نشان داد كه با توزيع شبكه‌هاي مولد چندگانه رقابتي درون خوشه، زمان آموزش كاهش مي‌يابد و مسئله كمبود حافظه برطرف مي‌شود، همچنين امكان اجراي مدل روي سيستم‌هاي با واحد پردازنده گرافيكي با قدرت كمتر نيز ميسر مي‌شود.

193876

دانشگاه علم و صنعت ايران

نرم‌افزار

دكتر محمدرضا كنگاوري