gpu集群环境下支持向量机训练的异构并行实现

《gpu集群环境下支持向量机训练的异构并行实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中图分类号：UDC：学校代码：10055密级：公开靠蕊犬淫硕士学位论文GPU集群环境下支持向量机训练的异构并行实现HeterogeneousParallelImplementationofSVMTrainingonGPUCluster论文作者李华南开大学研究生院二。一三年五月⋯⋯⋯书㈣Y2409,№O“缪⋯根据《南开大学关于研究生学位论文收藏和利用管理办法》，我校的博士、硕士学位获得者均须向南开大学提交本人的学位论文纸质本及相应电子版。本人完全了解南开大学有关研究生学位论文收藏和利用的管理规定。南开大学拥有在《著作权法

2、》规定范围内的学位论文使用权，即：(1)学位获得者必须按规定提交学位论文(包括纸质印刷本及电子版)，学校可以采用影印、缩印或其他复制手段保存研究生学位论文，并编入《南开大学博硕士学位论文全文数据库》；(2)为教学和科研目的，学校可以将公开的学位论文作为资料在图书馆等场所提供校内师生阅读，在校园网上提供论文目录检索、文摘以及论文全文浏览、下载等免费信息服务；(3)根据教育部有关规定，南开大学向教育部指定单位提交公开的学位论文；(4)学位论文作者授权学校向中国科技信息研究所及其万方数据电子出版社和中国学术期刊(光盘)电子出

3、版社提交规定范围的学位论文及其电子版并收入相应学位论文数据库，通过其相关网站对外进行信息服务。同时本人保留在其他媒体发表论文的权利。非公开学位论文，保密期限内不向外提交和提供服务，解密后提交和服务同公开论文。论文电子版提交至校图书馆网站：http：H202．113．20．161：8001／index．htm。本人承诺：本人的学位论文是在南开大学学习期间创作完成的作品，并已通过论文答辩；提交的学位论文电子版与纸质本论文的内容一致，如因不同造成不良后果由本人自负。本人同意遵守上述规定。本授权书签署一式两份，由研究生院和图书

4、馆留存。作者暨授权人签字：李华2013年5月27日南开大学研究生学位论文作者信息论文题目GPU集群环境卜．支持向量机训练的异构并行实现姓名李华学号2120100248答辩日期2013年5月21日论文类别博士口学历硕士团硕士专ⅡE学位口高校教师口同等学力硕士口院／系／所信息技术科学学院专业计算机应用技术联系电话15522605931EmailHehuazai93@126．com通信地址(邮编)：备注：是否批准为非公开论文否注：本授权书适用我校授予的所有博士、硕士的学位论文。由作者填写(一式两份)签字后交校图书t官，非公开

5、学位论文须附《南开大学研究生申请非公开学位论文审批表》。南开大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师指导下进行研究工作所取得的研究成果。除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签名：奎兰2013年5月27日非公开学位论文标注说明(本页表中填写内容须打印)根据南开大学有关规定，非公开学位论文须经指导

6、教师同意、作者本人申请和相关部’]批准方能标注。未经批准的均为公开学位论文，公开学位论文本说明为空白。论文题目申请密级口限制(≤2年)口秘密(≤10年)口机密(≤20年)保密期限20年月日至20年月日审批表编号批准日期20年月日南开大学学位评定委员会办公室盖章(有效)注：限制★2年(可少于2年)：秘密★10年(可少于10年)：机密★20年(可少于20年)摘要支持向量机(SvM)具有理论基础完备、所需训练样本数目少、泛化能力强等优点，已经在文本分类、人脸图像识别、手写数字识别、语音识别、生物信息学等模式识别领域中获得广泛

7、应用。SVM训练可表示为一个二次规划(QP)问题，由于内点法(IPM)是求解线性和非线性QP问题的有效方法，因此可用于SVM训练算法的求解。但对于大规模数据集，SVM训练仍然存在内存需求大、运行时间长等缺点，这对SVM的应用范围及其有效性形成很大制约，已成为其发展瓶颈。集群是目前最流行的一种高性能计算系统，近几年在TOP500中所占比例一直稳定在80％以上。值得注意的是，2012年11月发布的TOP500中带有加速器的超级计算机系统已达12．4％。图形处理单元(GPu)比CPU具有更高的浮点运算能力和内存带宽，尤其适用

8、于数据并行计算，在TOP500中绝大多数带有加速器的超级计算机都采用了GPU。可以预见，GPU集群将是未来一段时间的主流高性能计算平台。针对使用大规模数据集进行SVM训练时存在的内存需求大、运行时间长等问题，本文在GPU集群环境下，提出采用MPI+CUDA混合编程模式求解基于IPM算法的SVM训练问题。通过将数据分布在多个节点上降