版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、由JohnLafferty等人在2001年提出的條件隨機域(conditionalrandomfields,CRF)模型是機器學習領域的一個重要里程碑,它綜合了以往機器學習中幾種模型的優(yōu)點,包括隱馬爾可夫模型,最大熵隱馬模型,同時也避免了MEMM中標記偏見的問題。因為它的這些優(yōu)點,CRF被廣泛應用于機器學習領域,特別是自然語言處理中,包括命名實體提取、詞性標注等。
在有著廣泛的應用和眾多的優(yōu)點的同時,CRF也存在著不足之處。其
2、中一個顯著的不足就是訓練一個CRF模型需要耗費大量的計算資源。首先,CRF的訓練需要耗費大量的內存資源,在進行大數(shù)據(jù)量的訓練的時候,所使用的內存常常會超出微機的物理內存,使得操作系統(tǒng)使用磁盤作為交換空間,大量的I/O操作會嚴重影響訓練效率;其次,CRF訓練的計算本身也需要耗費大量的計算時間,數(shù)據(jù)量大的訓練通常需要耗費數(shù)天甚至數(shù)周才能完成。這不僅僅是因為算法本身的復雜度,還跟目前的算法沒能有效利用現(xiàn)代計算機硬件特性有關。
本研究
3、的目的是,通過優(yōu)化CRF的訓練算法,使得算法可以有效利用現(xiàn)代CPU的特性,并使內存-磁盤問的數(shù)據(jù)交換操作得到優(yōu)化,從而提高CRF模型的訓練效率。同以往的CRF相關研究不同,本研究從一個計算機架構的角度研究了提高CRF訓練效率的方法。就我們所知,目前通過優(yōu)化算法來有效利用現(xiàn)代計算機特性來的研究也較多,但針對CRF算法的目前還尚未出現(xiàn)。由于CRF被廣泛使用在機器學習領域,本研究可以讓使用CRF的研究者和開發(fā)人員在測試、應用算法模型時節(jié)省大量
4、的時間和精力。
本文從以下三個方面解決CRF訓練效率低下的問題:
1.通過優(yōu)化算法,降低CPUCache失效率。設計一個適合Cache預取的算法,可以通過使用現(xiàn)代CPU的軟件預取(softwareprefetching)指令,降低CPUCache的失效率,從而減少cache失效帶來的性能損失;
2.通過優(yōu)化算法,使得算法中計算的并行性得到提高。設計算法充分利用CPU特性,可以提高CRF訓練時計算的并行性;<
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 線性鏈條件隨機場訓練算法優(yōu)化的研究(1)
- 基于條件隨機場模型的視頻目標分割算法研究.pdf
- 條件隨機場中嵌入先驗信息的圖像理解算法研究.pdf
- 基于條件隨機場的中文短文本分類算法研究.pdf
- 基于條件隨機場的口語理解研究.pdf
- 基于條件隨機場的漢語分詞研究.pdf
- 條件隨機場模型研究及應用.pdf
- 基于條件隨機場的中文分詞研究.pdf
- 基于條件隨機場的SAR圖像變化檢測算法研究.pdf
- 基于條件隨機場的圖像線條畫研究.pdf
- 基于條件隨機場的實體提及識別研究.pdf
- 基于條件隨機場的標簽推薦問題研究.pdf
- 基于條件隨機場的目標跟蹤的研究.pdf
- 基于條件隨機場的漢語短語識別研究
- 基于條件隨機場的入侵檢測方法研究.pdf
- 基于條件隨機場的目標檢測方法研究.pdf
- 基于條件隨機場的農業(yè)環(huán)境推理研究.pdf
- 面向圖像標記的條件隨機場模型研究.pdf
- 基于條件隨機場的圖像語義分割方法研究.pdf
- 基于條件隨機場的中文分詞研究與應用.pdf
評論
0/150
提交評論