基于CUDA編程的神經(jīng)網(wǎng)絡手寫數(shù)字識別.pdf

1、字符識別是模式識別領域的一個重要研究分支，分為聯(lián)機字符識別和光學字符識別(簡稱OCR，Optical Character Recognition)。手寫數(shù)字識別一直都是OCR中的一個難題，更是一個具有現(xiàn)實意義且富于挑戰(zhàn)性的課題。近年來神經(jīng)網(wǎng)絡廣泛應用于手寫體數(shù)字識別算法，但神經(jīng)網(wǎng)絡的執(zhí)行需要進行大量的矩陣和向量的計算，面對大數(shù)據(jù)量的問題，傳統(tǒng)的編程方法滿足不了實時性。隨著GPU性能的大幅度提高以及GPU的可編程特性的發(fā)展，2007年IN

2、VIDIA公司提出CUDA的編程框架，基于圖形硬件的通用計算(GPGPU)己成為新的研究熱點。
　　 針對手寫數(shù)字識別效率低的問題，本文采用基于CUDA編程的人工神經(jīng)網(wǎng)絡來加快手寫數(shù)字識別效率速度。該方法依據(jù)神經(jīng)網(wǎng)絡結構上的并行特性（同層內(nèi)神經(jīng)元間相互獨立）和神經(jīng)網(wǎng)絡訓練過程中矩陣運算的并行特性，將神經(jīng)網(wǎng)絡的學習過程用CUDA C語言并行化，利用GPU執(zhí)行計算過程，大幅度提高了手寫數(shù)字識別的運算速度，使實時識別成為可能，同時為大

3、型神經(jīng)網(wǎng)絡在GPU上進行相關計算提供了基本途徑，也為進一步研究GPU計算做好鋪墊。
　　 本文首先描述了本文對手寫數(shù)字圖像的預處理過程，包括圖像規(guī)范化、圖像二值化、圖像平滑和細化等操作。然后主要敘述了BP神經(jīng)網(wǎng)絡基本知識，討論了本文圖像特征提取的方法，給出了基于BP神經(jīng)網(wǎng)絡的手寫數(shù)字識別串行算法仿真結果。最后完成了基于CUDA編程的神經(jīng)網(wǎng)絡手寫數(shù)字識別算法仿真，將并行仿真結果與串行仿真結果進行性能比較，結果表明GPU計算確實提高