199
5
年
12
月
第
19
卷第
4
期
北方交通大学学掘
IOURNAL
OF
NORTHERN
]l
AOTONG
UNlVERSITY
Dec.
1995
Vo
I.
19 No.4
MIMD
机器上流水化
BP
算法的实现
平先福杨武杰
(北方交通大学计算机科学技术系,北京
100044)
摘
要:神经网络训练过程中的高昂计算代价是有待克服的一个主要困难.作者
把前馈多层神经网络的相继各层看做流水线的相继步骤,从而提出丁一个在
MIMD
机器土实现局并行
BP
耳法未提高误差反传递算法的效率.主幸的最后,
对
BP
算法的并行实现进行丁分析,理论分析结果显示,}种种丝网络结构都可
有或地并行化.
关键词:人工神经网络,
BP
耳法,
MIMD
机器/流水化
分类号:
TP301. 6
目前,用于训练神经网络的有指导的学习算法,收敛速度很慢,非常耗时.所以,如何提高
神经网络的学习效率是当前研究的一个主要课题.学术界已经提出了多种基于并行处理的可
提高收敛速度的方法.
Al
ain,
Ge
rard
和
Claud
依据神经网络的计算实质上是矩阵相乘的事实,
提出了一种基于对神经网络进行划分的并行
BP
算法[
1]
有人已经对其在
MIMD
机器上的实
现进行了研究,结果显示,数据在各个处理器之间的分配和通信效率还是比较令人满意的.另
一种方法是将训练分布在多个处理机上,并行地计算函数及梯度.
Lo
uis
和
Elizabeth
基于这种
思想,把连网的工作站作为并行机节点,提出了一种
MIMD
并行
BP
算法模型
[2]
此外,还有其
它多种方法
[3]
在此就不一一列举了,
研究中,作者采用的是另一种思想,通过神经网络中神经元的划分并将其分配给相应的处
理器,从而实现一种并行的
BP
学习算法.训练过程中,采用了流水化的方法,不仅各层的处理
器能够并行计算,而且同层的处理器也能够并行计算.由于数据通信是影响学习速度的重要因
素之一,所以,采用了一种新的改进的数据通信方法.我们的分析还为诸如处理器的个数、每个
处理器中包含的神经元数、层数以及迭代次数等诸多影响收敛速度的参数的选择提供了参考.
1
多层前馈神经网络在
MIMD
机器上的映射
神经网络模型有两方面的主要特征:网络结构和连接权重的建立.神经网络模型的性能优
劣不仅依赖于网络的结构,而且还依赖于用来确定连接权重的学习算法.由于多层前馈神经网
络的广泛应用,所以我们将在本文中着重对其进行讨论.目前,已有多种用来确定多层前馈神
经网络拓扑结构的方法被提出
[4
,
5]
图
1
所示的是一个全连接多层前馈神经网络模型:从图
1
可以看出,网络的每一层可以看做仿射变换和非线性映射的组合:
N
netj(
t)
=
2:叫叫
(t)
+
Ij(t)
j = 1, 2,… J
、‘.,,
'i
,,、
;=1
本文收到日期
1995-10-06