تسریع الگوریتم یادگیری افراطی با استفاده از پردازنده گرافیکی و بستر نرم افزاری CUDA

دستگاه یادگیری افراطی (ELM) در طول دهه گذشته به دلیل کارآیی بالا، کارآمدی و پیاده سازی آسان مورد بحث و بررسی قرار گرفت. ELM یک الگوریتم طبقه بندی است که برای اجرا بر روی بستر پردازنده گرافیکی (GPU) بسیار مناسب است بنابراین ELM را می توان از نظر عملکرد ماتریس بیان کرد که از GPU حداکثر بهره را می گیرد. در این مقاله ما به اجرای چارچوبی برای تسریع آموزش و طبقه بندی ELM در GPU می پردازیم. در این مقاله از شش مجموعه داده برای آموزش و آزمون الگوریتم ELM استفاده شده است. نتایج نشان می دهد پیاده سازی این الگوریتم بر روی پردازنده گرافیکی با بستر برنامه نویسی CUDA در مقایسه با پیاده سازی الگوریتم ترتیبی بر روی پردازنده با بستر برنامه نویسی C، حدود 2 تا 8 برابر سریعتر است.