Efektivní implementace neuronové sítě THSOM

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03145832" target="_blank" >RIV/68407700:21230/08:03145832 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient Implementation of the THSOM Neural Network

Popis výsledku v původním jazyce

Recent trends in microprocessor design clearly show that the multicore processors are the answer to the question how to scale up the processing power of today's computers. In this article we present our C implementation of the Temporal Hebbian Self-organizing Map (THSOM) neural network. This kind of neural networks have growing computational complexity for larger networks, therefore we present different approaches to the parallel processing -- instruction based parallelism and data-based parallelism ortheir combination. Our C implementation of THSOM is modular and multi-platform, allowing us to move critical parts of the algorithm to other cores, platforms or use different levels of the instruction parallelism yet still run exactly the same computational flows -- maintaining good comparability between different setups. For our experiments, we have chosen a multicore x86 system.

Název v anglickém jazyce

Efficient Implementation of the THSOM Neural Network

Popis výsledku anglicky

Recent trends in microprocessor design clearly show that the multicore processors are the answer to the question how to scale up the processing power of today's computers. In this article we present our C implementation of the Temporal Hebbian Self-organizing Map (THSOM) neural network. This kind of neural networks have growing computational complexity for larger networks, therefore we present different approaches to the parallel processing -- instruction based parallelism and data-based parallelism ortheir combination. Our C implementation of THSOM is modular and multi-platform, allowing us to move critical parts of the algorithm to other cores, platforms or use different levels of the instruction parallelism yet still run exactly the same computational flows -- maintaining good comparability between different setups. For our experiments, we have chosen a multicore x86 system.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Artificial Neural Networks - ICANN 2008

ISBN

978-3-540-87558-1

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Prague

Datum konání akce

3. 9. 2008

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

000259567200017