Entrenamiento Acelerado para Redes Neuronales Convolucionales

El reconocimiento de caracteres manuscritos (HCR) es uno de los campos de investigación en curso en la Inteligencia Artificial. El reconocimiento de caracteres manuscritos se basa en el reconocimiento de patrones y el procesamiento de imágenes. Uno de los métodos de aprendizaje automático más comunes para resolver este problema son las Redes Neuronales Convolucionales (CNN). Para implementar tales tareas, a menudo se utiliza una red neuronal multicapa. Las CNN requieren tantos datos como sea posible para garantizar una alta precisión, mientras que el procesamiento paralelo puede ayudarnos a ahorrar tiempo durante el entrenamiento de la red neuronal. Este tiempo de entrenamiento puede reducirse mejorando las operaciones de entrenamiento mediante tecnología de computación paralela y plataformas de múltiples núcleos. En este documento, se ha implementado una paralelización ejemplar del entrenamiento de CNN mediante la tecnología OpenMP y sus bibliotecas. Se eligieron los alfabetos en inglés como experimento para el sistema de reconocimiento de caracteres manuscritos, y se utilizó CNN por su mejor precisión. Cada conjunto de datos de caracteres contiene 26 alfabetos. Es decir, el tamaño de imagen de cada carácter varía de 16×16 a 256×256 píxeles, y estos píxeles se toman como características para entrenar la CNN. Analizamos cómo la aceleración del entrenamiento de CNN depende del tamaño de la imagen. Se eligieron tres procesadores multicore con diferentes especificaciones para la implementación hardware. Los resultados muestran que el enfoque paralelo propuesto utilizando la tecnología OpenMP ofrece una buena aceleración, lo que reduce el tiempo de entrenamiento.