Заключение

В результате проделанной работы было установлено, что рассмотренная выше модель функционирования биологической нейронной сети хорошо подходит для применения вычислений общего назначения на графических процессорах; поэтому их можно применять для исследования других подобных моделей.

Полученные результаты также подтверждают, что при прочих равных условиях производительность, полученная с использованием технологии CUDA, лучше, чем в случае применения OpenCL (на картах от NVidia). Однако в том случае, если нас интересует поддержка кроссплатформенности, применение OpenCL можно рассматривать как некий компромисс между производительностью и возможностью исполнения на разных устройствах.

15

Литература

1.Савельев А.В. На пути к общей теории нейросетей. К вопросу о сложности (грант РФФИ 04-06-80460. Журнал Нейрокомпьютеры: разработка, применение №4-5, 2006 г., с. 4).

2.Ёлкин С.C., Ёлкин С.В., Клышинский Э.С., Максимов В.Ю., Мусаева Т.Н. Модель бионической нейронной сети и её применения. ИПМ им. М.В.Келдыша РАН, Москва, 2008.

3.Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика – М.: Издательство Горячая линия-Телеком, 2002.

4.Давыдов А.А., Зайцев Д.В. Модель динамики нейронной сети на основе теории марковских процессов. Сергиев Посад, Центральный физико-технический институт, 2001.

5.Tsodyks, M., Pawelzik, K., Markram, H. Neural networks with dynamic synapses. Neural Computation 10:821-835, 1998.

6.Куффлер C., Николс Дж. От нейрона к мозгу. М.: Мир. 1979.

7.Малинецкий Г.Г., Ижикевич Е.M. О возможной роли хаоса в нейросистемах // ДАН, т.

326, N 4, 1992, с. 626-632.

8.Izhikevich E.M. Simple Model of Spiking Neurons. - IEEE Transactions on Neural Networks,

2003, vol. 14, № 6, pp. 1569 – 1572.

16

Приложение

Листинг 1: Ядра на CUDA

__global__ void Calculate_Input_Sum(const int Count_In_Neurons, const int max_values_count, float* weights,

float* output_signal, int* excitory,

int* delay_index, float input_sum)

{

int idx = blockDim.x*blockIdx.x + threadIdx.x;

if (idx < Count_In_Neurons)

{

if (excitory[idx])

input_sum += (output_signal+max_values_count*idx)[delay_index[idx]]* weights[idx];

else

input_sum -= (output_signal+max_values_count*idx)[delay_index[idx]]* weights[idx];

}

}

__global__ void STDP_first(const int Count_In_Neurons, const int max_values_count, const float learning_rate, float* output_signal,

int* excitory, int* delay_index, float* weights)

{

int idx = blockDim.x*blockIdx.x + threadIdx.x;

if ((idx < Count_In_Neurons)&&(excitory[idx]))

weights[idx] += learning_rate*(1-weights[idx])* (output_signal+max_values_count*idx)[delay_index[idx]];

}

__global__ void STDP_second(const int Count_In_Neurons, const int max_values_count, const float learning_rate, const float alfa_learn, float* output_signal,

int* delay_index, float* weights)

{

int idx = blockDim.x*blockIdx.x + threadIdx.x;

if ((idx < Count_In_Neurons)&&(excitory[idx]))

{

if ((output_signal+max_values_count*idx)[delay_index[idx]+1]< (output_signal+max_values_count*idx)[delay_index[idx]])

weights[idx] -= learning_rate*alfa_learn*weights[idx]*output;

}

}

17

Листинг 2: Ядра на OpenCL

const char* source_cl_string =

18