MXNet框架中基于OpenCL核函数的多维线性数据处理

【目的】在深度学习框架中,为了实现大规模深度学习计算,异构的OpenCL计算模型通过充分利用不同厂商生产的不同类型硬件设备和计算资源成为提升学习效率的重要途径。因此将深度学习框架例如MXNet等迁移至OpenCL计算模型上以提高其对大规模深度学习的适配性。在对MXNet深度学习框架的迁移过程中,深度学习计算中较为普遍的多维线性数据处理相关操作的迁移则是本文需要讨论的主要问题。【方法】通过系统地比较CUDA计算模型和OpenCL计算模型的运行机制,将已兼容CUDA计算模型的MXNet深度学习框架中对多维线性数据处理的逻辑基于OpenCL计算模型进行适配性重构。【结果】通过基于OpenCL计算模型进行适配性重构的MXNet深度学习计算框架中的有关多维线性数据处理的计算操作能够通过已有的框架测试。【结论】基于OpenCL计算模型进行适配性重构方案能够很好地解决MXNet深度学习框架迁移至OpenCL计算模型时较为普遍的多维线性数据处理相关操作的迁移问题。

SSD(Single Shot MultiBox Detector)目标检测算法的研究与改进

目标检测是图像处理的重要领域,SSD算法是基于深度学习下对物体进行检测。首先对SSD检测算法进行了深入研究,然后使用MxNet框架对SSD算法进行了实验,并对训练过程m AP值以及分类准确率进行了分析。由于SSD算法对小物体的检测准确率并没有那么理想,通过在预测层加入反卷积和对预测框长宽比的调整,使得改进后物体检测的平均准确率得到了可观的提高,并且提高了对小物体的检测准确率。

深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。

基于残差网络的智能交通标志识别算法

汽车制造领域L4以及更高级别的自动驾驶技术已经成为当今汽车行业最前沿的发展方向。智能驾驶汽车在行进过程中对公路上的交通标志的识别可以有效帮助驾驶员及时做出决策,降低交通违法和交通事故的发生率。目前智能交通标志识别系统仅可在少量指定车型中使用,普及率较低。为使更多的驾驶员可以使用智能交通标志识别系统完成辅助驾驶,本文对中国标准交通标志数据库(CCTSDB)进行研究,提出了一种基于残差神经网络的智能交通标志识别算法。利用高斯平滑和Canny锐化对实验图像预处理,在Mxnet框架下引入残差神经网络模型ResNet-18将图像分类识别。结果表明该算法能够有效识别交通标志信息,在实验环境下对于交通标志识别率可达91.87%,具有识别速度快,可移植性好的显著特点,为智能交通标志识别系统的轻量化和大众化提出了新的可能性。

深度学习自适应学习率算法研究

为了获得更好的收敛速度和训练效果,提出了根据模型测试准确率对学习率使用不同调整策略的自适应学习率调整算法.将训练过程分为前期、中期和后期三个阶段:在前期适当增大学习率,在中期和后期根据与测试准确率的增量相关的衰减因子函数使用不同大小的学习率衰减因子减小学习率,增量越小表示模型越接近收敛,因而使用更小的衰减因子.基于MXNet框架,在数据集CIFAR-10和CIFAR-100上进行测试实验,结果表明所提出的方法在收敛速度和准确率收敛值方面都有更好的效果.