单块正交字典学习的高效 GPU 实现

Paul Irofti

单块正交字典学习的高效 GPU 实现

计算机视觉与模式识别 2014-12-17 v1 分布式、并行与集群计算

作者: Paul Irofti

摘要

稀疏表示的字典训练涉及处理大量数据块和复杂算法，导致实现耗时。SBO 是一种迭代字典学习算法，基于通过奇异值分解构建正交基的并集，通过单个最佳拟合正交基表示每个数据项。本文提出了一种在 OpenCL 中实现 SBO 的 GPGPU 方法。我们提供了一种无锁解决方案，通过在稀疏编码阶段遵循 map-reduce 模型并利用分区全局地址空间 (PGAS) 模型开发并行字典更新，确保了 GPU 的全占用率。与作为标准过完备字典学习方法的 PAK-SVD 相比，所得实现在算法复杂度与数据表示质量之间取得了有利的权衡。我们展示并讨论了数值结果，表明字典学习过程的执行时间显著加速。

关键词

字典学习 GPU 实现 OpenCL 稀疏编码正交基 GPGPU SBO 算法

引用

@article{arxiv.1412.4944,
  title  = {Efficient GPU Implementation for Single Block Orthogonal Dictionary Learning},
  author = {Paul Irofti},
  journal= {arXiv preprint arXiv:1412.4944},
  year   = {2014}
}

备注

6 pages

单块正交字典学习的高效 GPU 实现

摘要

关键词

引用

备注

相关论文