基于Im2col的并行深度卷积神经网络优化算法

打开文本图片集

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，有效避免了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。（剩余23939字）