使用cuda加速卷积神经网络-手写数字识别准确率99.7%

标签：style   blog   http   ar   color   os   使用   sp   strong   

源码和运行结果

cuda：https://github.com/zhxfl/cuCNN-I

C语言版本参考自：http://eric-yuan.me/

针对著名手写数字识别的库mnist，准确率是99.7%,在几分钟内，CNN的训练就可以达到99.60%左右的准确率。

参数配置

网络的配置使用Config.txt进行配置##之间是注释，代码会自动过滤掉，其他格式参考如下：

#Comment#
#NON_LINEARITY CAN = NL_SIGMOID , NL_TANH , NL_RELU#
##
##
##
##


IS_GRADIENT_CHECKING = false;
BATCH_SIZE = 200;
NON_LINEARITY = NL_RELU;

[
LAYER = CONV;
KERNEL_SIZE = 5;
KERNEL_AMOUNT = 10;
WEIGHT_DECAY = 1e-6;
POOLING_DIM = 2;
]

[
LAYER = CONV;
KERNEL_SIZE = 5;
KERNEL_AMOUNT = 20;
WEIGHT_DECAY = 1e-6;
POOLING_DIM = 2;
]

[
LAYER = FC;
NUM_HIDDEN_NEURONS = 256;
WEIGHT_DECAY = 1e-6;
DROPOUT_RATE = 0.5;
]

[
LAYER = FC;
NUM_HIDDEN_NEURONS = 256;
WEIGHT_DECAY = 1e-6;
DROPOUT_RATE = 0.5;
]

[
LAYER = SOFTMAX;
NUM_CLASSES = 10;
WEIGHT_DECAY = 1e-6;
]

1）目前代码支持多个卷积层，多个全链接层。

2）卷积层默认带有池化层，池化算法目前只支持最大值池化。

3）卷积层的卷积核大小只支持奇数。

4）全链接层支持Dropconnect。（配置里面写的是dropout，后面会纠正这个的）

5）weight_decay这个参数如果你不知道是做什么，也可以先不理会，先用这个值就行了。

编译代码

1）代码目前依赖cuda-6.0以及opencv，如果你不想去装opencv，可以将util.cu和util.h所有有关opencv的代码都去掉，整个代码只有这里使用到opencv，而且只是由于我在开发过程中需要显示图片来调试而已。

2）代码直接可以导入nsight然后编译运行。同时也可以再vs2010里面编译运行。

代码特性

1）我们对数据做了处理，每次进行训练之前，都会随机的进行旋转、尺度变换、畸变和裁剪。下图是两个例子，实际上，这样做非常有效，使得我们的准确能够更高

2）整个代码采用cuda进行加速，其中我们用到了cublas.lib和curand.lib两个库，一个是矩阵运算一个是随机数的生成。我一次性申请了所有需要使用的内存，在程序开始运行之后，就不存在任何CPU和GPU之间的数据交换，事实证明这样非常有效。程序的性能比原来作者C语言版本快了数十倍左右（如果网络比较大，可以达到一百倍左右的加速比）。我们每个epos使用1600ms，处理了60000张图片，也就是训练一张图片大概是0.0266ms。

3）实际上，如果训练多个网络，然后进行投票，准确率可以达到99.82%，这个结果是目前为止所有公开发表结果中最好（99.79%）的 。

使用cuda加速卷积神经网络-手写数字识别准确率99.7%

标签：style   blog   http   ar   color   os   使用   sp   strong   

原文地址：http://www.cnblogs.com/zhxfl/p/4134834.html