پاورپوینت اجرای موازی K-Means بر پردازشگرهای چند هسته ای (pptx) 26 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 26 اسلاید

قسمتی از متن PowerPoint (.pptx) :

اجرای موازی K-Means بر پردازشگرهای چند هسته ای چکیده می کوشیم از قدرت محاسباتی معماری چندهسته ای بهره برداری کنیم برای موازی سازی الگوریتم دسته بندی k-means از حلقه های موازی ( parfor ) در نرم افزار MATLAB استفاده می کنیم یک حلقه n تکرار می تواند بر یک گروه از m کاربر MATLAB همزمان اجرا شود افزایش سرعت قابل توجه روش خوشه بندی k-means موازی در مقایسه با رویکرد k-means سریال 2 مقدمه هدف یک الگوریتم خوشه بندی این است که اشیاء یک پایگاه داده را در یک مجموعه از زیرگروه ها دسته بندی کند خوشه بندی فرایند تقسیم کردن یا گروه بندی یک مجموعه معیّن از الگوها در خوشه های گسسته است که الگوهای درون یک خوشه مشابه و الگوهای متعلق به دو خوشه مختلف متفاوتند 3 مقدمه k-means پر استفاده ترین الگوریتم خوشه بندی پیچیدگی محاسباتی خطّی الگوریتم k-means برابر O( nkt ) n تعداد نقاط داده ها k تعداد خوشه های مطلوب t تعداد تکرارهای الگوریتم برای رسیدن به یک حالت پایدار 4 مقدمه الگوریتم k-means سریال (سری) برای کاربردهای مختلف انفورماتیک پزشکی تحلیل ژنوم پردازش تصویر و بخش بندی وجه کاوی 5 مقدمه تنزل الگوریتم k-means علیرغم سادگی و موفقیّت زیادش، درمجموعه داده از نظر تعداد اشیاء و ابعاد بزرگ دستیابی به سرعت محاسباتی قابل قبول بر مجموعه داده های عظیم، با استفاده از موازی سازی موازی سازی با تمرکز بر الگوریتم k-means بر معماری چند هسته ای پیاده سازی با استفاده ازحلقه های موازی Matlab ( parfor ) 6 مقدمه اجرا بخشی از بدنه ی parfor بر MATLAB client بخشی دیگر بصورت موازی بر کاربردهای MATLAB که بصورت یک parallel pool (مجموعه موازی) کار می کنند اجرا می شود داده های لازم که parfor (حلقه) روی آنها کار می کند از client (مشتری) به کاربران ارسال می شود سمت کاربر محاسبات انجام می شود و نتیجه به client برگشت داده می شود 7 مقدمه چون چند کاربر MATLAB می توانند همزمان بر یک حلقه محاسبه کنند، یک حلقه parfor می تواند عملکرد بسیار بهتری نسبت به حلقه for فراهم کند نتیجه تحقیق ما عبارتست از کاهش معنادار پیچیدگی زمانی الگوریتم سریال k-means از طریق موازی سازی داده ها 8 الگوریتم پیشنهادی اگر یک مجموعه داده حاوی n شی داشته باشیم، الگوریتم k-means این اشیا را به k گروه تقسیم می کند هر گروه با مرکز، یا نقطه مرکزی، خوشه نشان داده می شود سپس داده ها به نزدیک ترین مرکز اختصاص داده می شوند الگوریتم نمایندگان جدید بهتررا مجددا انتخاب می کند و اشیاء داده را مجددا تخصیص می دهد تا اینکه شرایط پایدار برقرار شود 9 الگوریتم k-means سری الگوریتم k-means سریال زمان محاسباتی زیادی برای محاسبه فاصله بین هر n نقطه داده و مراکز k فعلی، صرف می کند 10