论文研究 分布式环境下卷积神经网络并行策略研究.pdf

卷积神经网络通常使用标准误差逆传播算法进行串行训练，随着数据规模的增长，单机串行训练存在耗时长且占有较多的系统资源的问题。为有效实现海量数据的卷积神经网络训练，提出一种基于MapReduce框架的BP神经网络并行化训练模型。该模型结合了标准误差逆传播算法和累积误差逆传播算法，将大数据集分割成若干个子集，在损失少量准确率的条件下进行并行化处理，并扩展MNIST数据集进行图像识别测试。实验结果表明，该算法对数据规模有较好的适应性，能够提高卷积神经网络的训练效率。