این مقاله انگلیسی ISI در  10898 صفحه در سال 2017 منتشر شده و ترجمه آن 13 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

نوشته دانلود ترجمه مقاله یک مقاله مروری درباره پردازش تصویر پزشکی (سال 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده

1. مقدمه

2. محاسبات واحد پردازشگر گرافیکی (GPU)

2.1. همروندی گرایی داده ها

2.2. تعداد رشته ها

2.3. واگرایی شاخه

2.4. استفاده از حافظه

2.5. هماهنگ سازی

2.6. چارچوب

2.7. بهینه سازی واحد پردازشگر گرافیکی (GPU)

2.7.1. گروه بندی

2.7.2. حافظه زمینه ای، ثابت و مشترک

2.7.3. فشردگی جریان

3. روش های قطعه بندی

3.1. آستانه گذاری

3.2. رشد منطقه

3.3. ریخت شناسی

3.4. آبخیز

3.5. مسیرهای فعال

3.6. مجموعه سطح ها

3.7. روش های مبتنی بر ثبت / اطلس

3.7.1. ثبت مبتنی بر شدت – اطلاعات متقابل

3.7.2. ثبت مبتنی بر ویژگی – نزدیک ترین نقطه تکرار شنده

3.8. مدل های شکل آماری

3.9. میدان تصادفی مارکوف و برش نموداری

3.10. استخراج خط مرکزی و قطعه بندی ساختارهای لوله ای

3.11. قطعه بندی تصاویر پویا – ردیابی

3.11.1. فیلتر کالمن

3.11.2. فیلتر ذرات

4. بحث

4.1. پیشرفته تربن وضعیت کنونی

4.2. پیش بینی های نرم افزاری

4.3. پیش بینی های سخت افزاری

5. نتیجه گیری ها

• بخشی از ترجمه:

5. نتیجه گیری ها

در این مطالعه، رایج ترین الگوریتم های قطعه بندی تصاویر پزشکی مورد بحث قرار گرفته، و با توجه به نحوه تناسب آن ها با واحدهای پردازشگر گرافیکی (GPU) ارزیابی شدند. در این مقایسه نشان داده شد که اغلب روش های قطعه بندی از نوع همروندی داده ها و با مقدار رشته های بالا می باشند که آن ها را به خوبی برای شتاب دهی واحد پردازشگر گرافیکی (GPU) مناسب می سازد. با این وجود، عواملی مانند هماهنگ سازی، واگرایی شاخه و استفاده از حافظه می تواند سرعت افزایی را در طی اجرای سریالی محدود سازد. برای کاهش تاثیر این عوامل محدود کننده، چندین تکنیک بهینه سازی واحد پردازشگر گرافیکی (GPU) مورد بحث قرار گرفته اند.

• بخشی از مقاله انگلیسی:

5. Conclusions

In this review, the most common medical image segmentation algorithms have been discussed, and rated according to how suited they are for graphic processing units (GPUs). Through this comparison, it is shown that most segmentation methods are data parallel with a high amount of threads, which makes them well suited for GPU acceleration. However, factors such as synchronization, branch divergence and memory usage can limit the speedup over serial execution. To reduce the impact of these limiting factors, several GPU optimization techniques are discussed.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

نوشته دانلود ترجمه مقاله تقسیم بندی تصویر پزشکی در GPU ها – الزویر 2015 اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه الزویر در 8 صفحه در سال 2013 منتشر شده و ترجمه آن 19 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

• فهرست مطالب:

چکیده

1. مقدمه

2. پژوهش پیشین

3. تحلیل مشکل

3.1 اندازه مثلث

3.2 تغییرات عمود

3.3 استفاده از روش های شناخته شده

4. نمونه برداری کلان اتخاذ شده

4.1 سایه رنگ زن هندسی SSS

4.2 سایه رنگ زن محاسباتی SSS

4.3 لیست پیوندی هر راس SSS

4.3.1 ایجاد لیست های پیوندی هر پیکسل

4.3.2 تجزیه کردن

4.4 قابلیت رویت

5. نتایج و بحث

6. نتیجه گیری

• بخشی از ترجمه:

6. نتیجه گیری
بدنمایی سایه موضوعی است که در بیشتر تکنیک های خوشنماسازی موجود نادیده گرفته می شود. راه حل غالب برای این مساله سازگار کردن سایه یا خود مدل است. گرچه چنین چیزی برای برخی از برنامه ها قابل اجرا است در بعضی دیگر امکان اجرای آن وجود ندارد. این موضوع مخصوصا در مورد مدل های بسیار پیچیده ماشین مانند آنچه که ما روی آن کار کردیم صادق است.
در این پژوهش سه روش جدید برای اجرای خوشنماسازی مهره های زنجیره ای ارائه نمودیم. آشکار است که مصنوعات به دلیل اندازه کوچک مثلث و تغییرات زیاد عمود هر راس ایجاد و باعث ایجاد هایلایت های سپکولوم کوچکی می شوند. با توجه به این موارد، سه الگوریتمی ارائه کردیم که می توانند با اجرای بهتر SSAA و برای پیکربندی های خاص حتی نزدیک به MSAA مشکل را حل کنند. همزمان تمام پیاده سازی ها نوعی انعطاف پذیری به همراه دارند که با اجرای برنامه بدون توقف سازگار است و محدودیت های زمان اجرا را در هنگام حفظ کیفیت مطلوب تصویر برآورده می کند.

• بخشی از مقاله انگلیسی:

6. Conclusion Aliasing from shading is a subject that is mostly ignored by current techniques for antialiasing. The most prevalent solution regarding this topic often is to adapt shading or the model itself. While this is possible in certain applications, it is not feasible for others. This is especially true for the highly detailed car models we work with. In this work, we have presented three novel methods for performing antialiasing of bead chains. It became obvious that the artifacts occur due to small triangle size and high per-vertex normal variation resulting in small specular highlights. Taking these insights, we presented three algorithms that are capable of resolving the problem while performing better than SSAA and for certain configurations even close to MSAA. At the same time all implementations offer the flexibility to be adjusted on the fly to meet runtime limits while preserving optimal image quality.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

نوشته دانلود ترجمه مقاله حل مشکل بدنمایی سایه با نمونه برداری کلان سایه افکن گزینشی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” طرح ریزی موازی از داده های فضایی بزرگ مبتنی بر بردار ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1. مقدمه
2. پیشینه
2.1 محاسبات ابری
2.2. محاسبات عملکرد بالا GPU های فعال شده
3. مواد و روش ها
3.1. طراحی چارچوب
3.2 محاسبات با کارایی بالا شتاب دهندهGPU
3.3. ماشین های مجازی مبتنی بر ابر
3.4. پورتال وب GIS
3.5. پیاده سازی و محاسبات منابع
4. آزمایشات
4.1. آزمایش 1: عملکرد GPU در پاسخ به اندازه مسئله
4.2. آزمایش 2: اثر توازن بار
5- نتیجه گیری

• بخشی از ترجمه:

5- نتیجه گیری
در این مقاله، ما یک چارچوب طرح نقشه برداری موازی را برای انتقال داده های بزرگ فضایی بر مبنای بردار در میان نقشه های جایگزین بیان کردیم. چارچوب طرح نقشه برداری موازی بر اساس یکپارچه سـازی قابلیت های سه لایه است: محاسبات با کارایی بالایGPU فعال، محاسبات ابری و وب GIS. این چارچوب یکپارچه حمایت قابل توجهی برای بهترین اعمال نفوذ هر جزء ارائه کرده است که یکدیگر را با توجه به طرح نقشه برداری از داده های بزرگ فضایی کامل می کنند. لایه محاسبات ابری یک مجموعه ای از ماشین های مجازی تهیه می کند که نقش مهمی را از لحاظ تعامل با کاربران پشت صحنه و جلوی صحنه خوشه های محاسبات با کارایی بالا بازی می کند. خوشه های GPU چند هسته ای قدرت محاسبات انبوه موازی را ارائه می دهند که برای مدیریت موثر داده های فضایی بزرگ وعده داد است. نتایج تجربی گزارش شده در این مطالعه نشان داد شتابدهی به طور قابل توجهی از طریق GPU فعال طرح نقشه برداری موازی به دست آمده است. علاوه بر این، اعمال پیش پردازش (به عنوان مثال، جمع آوری) در داده های فضایی بزرگ از استراتژی های مورد علاقه و طراحی موازی متناسب با داده های فضایی برای اعمال نفوذ قدرت محاسبات موازی به طور انبوهی در GPU های چند هسته ای ضرورت دارد. استراتژی های موازی، نشان داده شده با تجزیه دامنه و توازن بار، از اهمیت ویژه ای برای دستیابی به بهترین بهره برداری از منابع محاسباتی با کارآیی بالا در پردازش و تجزیه و تحلیل داده های GIS مرتبط برخوردارند (وانگ، 2010، شیا، لیو، یه، وو، و زو ، 2012، شیا و همکاران، 2011؛ یانگ، وو و همکاران، 2011 را مشاهده کنید).

• بخشی از مقاله انگلیسی:

5. Conclusion

In this article, we develop a parallel map projection framework for the transformation of vector-based big spatial data among alternative map projections. The parallel map projection framework is based on the integration of capabilities of three layers: GPU-enabled high-performance computing, cloud computing, and Web GIS. This integrative framework provides substantial support for best leveraging each component that complements to each other with respect to the map projection of big spatial data. The layer of cloud computing provisions a collection of virtual machines that serves a key role in terms of interacting with frontend users and back-end high-performance computing clusters. GPU clusters provide many-core massively parallel computing power that holds great promise for handling efficiently big spatial data. Experimental results reported in this study demonstrate substantial acceleration obtained through GPU-enabled parallel map projection. Moreover, it is imperative to apply pre-processing (e.g., aggregation) on big spatial data of interest and design parallel strategies tailored to the spatial data to leverage the massively parallel computing power on many-core GPUs. Parallel strategies, represented by domain decomposition and load balancing, are of particular importance for achieving the best exploitation of highperformance computing resources on the processing and analysis of GIS-relevant data (see Wang, 2010; Xia, Liu, Ye, Wu, & Zhu, 2012; Xia et al., 2011; Yang, Wu et al., 2011).

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله طرح ریزی موازی از داده های فضایی بزرگ مبتنی بر بردار – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

در اتاق عمل در آینده ای نه چندان دور
موارد چند پردازشی در اتاق عمل
ثبت
تبدیل کننده (مبدل)
اندازه گیری
بهینه ساز
پیش پرداز
هزینه ی محاسباتی ثبت تصاویر
پیاده سازی موارد چندپردازنده ای
موارد چند پردازنده ی متقارن
عملکردهای چندپردازشی با NUMA
موارد چند پردازشی با حافظه ی توزیع شده
اقدامات مربوط به شتاب دهنده
واحدهای گرافیکی پردازش
موتور سلولی با پهنای باند وسیع
ترتیب بندی موارد قابل برنامه ریزی
خلاصه ی این پژوهش
حرف آخر

• بخشی از ترجمه:

خلاصه ی این پژوهش:

موارد مشترک موجود را در HPC روش های ثبت در جدول 4 به طور خلاصه بیان نموده ایم. این جدول به عنوان مرجع سریعی برای ترتیب بندی روش های مربوط به موارد متعدد و توسط گروه های مختلف بکار می رود.
محققان از روش های متعددی برای ارائه ی نتایج عملکردی خود استفاده می کنند. تمام گروه ها حداقل نتایج سرعت یافته را در مقایسه با اقدامات انجام شده توسط CPUهای یک هسته ای گزارش می دهد. زمانیکه مقایسات مربوط به ساختارهای داخلی بهینه سازی می گردند، اگر مجموعه دستورالعمل های مربوط به پیشرفت های CPU مورد استفاده قرار گیرند، کد موردنظر به عنوان 64-b و یا 32-b بکار می روند و یا از عملکرد نقطه ی 64-b و یا 32-b استفاده می شود. به همین دلیل، نتایج سریع باید با احتیاط و توجه تفسیر گردند، که این کار بیشتر در زمانی انجام می شود که این موارد صدها بار سریع تر گزارش گردند.

• بخشی از مقاله انگلیسی:

SUMMARY OF THE LITERATURE

We have summarized existing contributions in HPC of registration methods in Table 4. The table serves as a quick reference to an array of methods on various platforms and by different groups. Researchers have used various methods to present their performance results. All groups report at least the speedup results compared to a single-core CPU implementation. When interarchitecture comparisons are drawn, it is not always clear how well the CPU implementation has been optimized, if the streaming SIMD extensions (SSE) instruction set has been used, whether the code has been compiled as 64- or 32-b, or if 64- or 32-b floating point operations have been used. For these reasons, speedup results should be interpreted with caution, more so when the reported speedups are in the order of a hundred times or more.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود مقاله ترجمه شده ثبت عکس پزشکی بر مولتی کور و GPU – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

 چکیده
پیشگفتار
۱ مقدمه ای بر یادگیری عمیق (DL) در شبکه های عصبی (NN)
مخفف ها به ترتیب حروف الفبا
علامتگذاری رویداد گرا برای گسترش فعالسازی در NN
۳ عمیق مسیرهای تخصیص اعتبار (CAP) و مسائل
۴ موضوعات تکراری یادگیری عمیق
۱ ۴ برنامه ریزی پویا برای یادگیری نظارت شده/ تقویتی (SL/RL)
۲ ۴ تسهیل SL و RL با یادگیری نظارت نشده (UL)
۳ ۴ نمایش سلسله مراتبی یادگیری از طریق SL، UL، RL عمیق
۴ ۴ فشرده سازی و طول توصیف حداقل یا کمینه (MDL)
۵ ۴ واحدهای پردازش گرافیکی سریع (GPU) برای DL در NN
۵ NN های نظارت شده با کمک NN های نظارت نشده
۱ ۵ NN های اولیه از دهه ۱۹۴۰ ( و ۱۸۰۰)
۲ ۵ حول و حوش ۱۹۶۰ قشر دیداری برای DL الهام بخش است ( بخش های ۴ ۵، ۱۱ ۵)
۳ ۵ ۱۹۶۵ شبکه های عمیق مبتنی بر روش گروهی داده گردانی
۴ ۵ ۱۹۷۹ پیچش+ تکرار وزن+ زیرنمونه گیری (Neocognitron)
۵ ۵ ۱۹۸۱ ۱۹۶۰ و بعد از آن توسعه پس انتشار (BP) برای NN
۱ ۵ ۵ BP برای NN های پیشرو به اشتراک گذاشتن وزن (FNN) و NNهای بازگشتی (RNN)
الگوریتم ۱ ۵ ۵ یک تکرار از BP برای FNN یا RNNهای به اشتراک گذاشتن وزن
۶ ۵ اواخر ۲۰۰۰ ۱۹۸۰ و بعد از آن بهبودهای متعدد NN
۱ ۶ ۵ ایده هایی برای مقابله با تاخیرهای زمانی طولانی و CAP های عمیق
۲ ۶ ۵ BP بهتر از طریق نزول گرادیان پیشرفته ( مقایسه بخش ۲۴ ۵)
۳ ۶ ۵ جستجوی NN های حل مسئله آسان و ساده (بخش ۲۴ ۵)
۴ ۶ ۵ مزایای بالقوه UL برای SL (مقایسه بخشهای ۷ ۵، ۱۰ ۵، ۱۵ ۵ )
۷ ۵ ۱۹۸۷ UL از طریق سلسله م۸ ۵ ۱۹۸۹ BP برای NN های پیچشی
راتب ( مقایسه بخش ۱۵ ۵)
۹ ۵ ۱۹۹۱ مسئله یادگیری عمیق بنیادی نزول گرادیان
۱۰ ۵ ۱۹۹۱ فشرده سازی تاریخچه مبتنی بر UL از طریق پشته عمیق RNN
۱۱ ۵ ۱۹۹۲ در راستای MPCNN ( مقایسه بخشهای )
۱۲ ۵ ۱۹۹۴ NN های اولیه برنده رقابت
۱۳ ۵ ۱۹۹۵ فراگیر بسیار عمیق بازگشتی نظارت شده
۱۴ ۵ ۲۰۰۳ NN های برنده رقابت/ تعیین کننده رکورد NN های عمیق موفق
۱۵ ۵ ۲۰۰۶/۲۰۰۷ UL برای شبکه های باور عمیق/ پشته های AE تنظیم شده با BP
۱۶ ۵ ۲۰۰۶/ ۲۰۰۷ بهبود یافته برای پشته های
۱۷ ۵ ۲۰۰۹ اولین رقابت های رسمی که RNN ها با MPCNN فاتح آن بودند
۱۸ ۵ روی GPU، رکورد MNIST را در هم می شکند
۲۰ ۵ ۲۰۱۱ بهینه سازی آزاد هسی برای RNN
۲۱ ۵ ۲۰۱۲ اولین رقابت های برنده شده روی ، تشخیص شی و قطعه بندی
۲۲ ۵ ۲۰۱۳ رقابت های بیشتر و رکوردهای محک
۲۳ ۵ تکنیک های در حال حاضر موفق و
۲۴ ۵ ترفندهای اخیر برای بهبود NN های عمیق SL ( مقایسه بخشهای ۲ ۶ ۵ و ۳ ۶ ۵)
۲۵ ۵ نتایج عصب شناسی
۲۶ ۵ DL با نورون های اسپایکی؟
۶ DL در FNN و RNN برای یادگیری تقویتی (RL)
۱ ۶ RL از طریق مدلهای جهانی NN RNN هایی با CAP های عمیق حاصل می کند
۲ ۶ FNN های عمیق برای RL سنتی و فرایند تصمیم گیری مارکو (MDP)
۳ ۶ RL RNN های عمیق برای MDP های قابل مشاهده در حد جزئی (POMDP)
۴ ۶ RL تسهیل شده با UL عمیق در FNN و RNN
۵ ۶ RL سلسله مراتبی عمیق (HRL) و یادگیری زیرهدف با FNN و RNN
۶ ۶ RL عمیق با جستجوی مستقیم NN/ گرادیان سیاست/ تکامل
۷ ۶ RL عمیق با جستجوی غیر مستقیم سیاست/ جستجوی فشرده NN
۸ ۶ RL جهانی
۷ نتیجه گیری و چشم انداز

• بخشی از ترجمه:

یادگیری عمیق (DL) در شبکه های عصبی (NN) به یادگیری نظارت شده (SL)، یادگیری نظارت نشده (UL) و یادگیری تقویتی (RL) ربط دارد. با حل مسائل مسیرهای تخصیص اعتبار عمیق (CAP)، UL نه تنها SL توالی ها و الگوهای ایستا بلکه همچنین RL را تسهیل می نماید. برنامه ریزی پویا (DP) روشی مهم برای SL عمیق و RL سنتی با NN های عمیق می باشد. جستجو برای NN هایی با پیچیدگی پائین، مقاوم در برابر اختلال برای محاسبه راه حل که توسط چند بیت اطلاعات وصف می شوند، می تواند برازش بیش از حد را کاهش داده و عمیق و همچنین RL را حتی در مورد محیط های قابل مشاهده در حد جزئی بهبود بخشد.
عمیق اغلب سلسله مراتبی از نمایش های مجرد تر داده های ایستا، داده های ترتیبی، یا سیاست های RL ایجاد می کنند. درحالیکه UL می تواند SL را تسهیل نماید، SL خالص برای NN های پیشرو (FNN)، و NN های بازگشتی (RNN) نه تنها در رقابت های اولیه بلکه در اکثر رقابت های اخیر برنده شدند. به ویژه DL در FNN از پیاده سازی GPU سود برد. به ویژه NN های پیچشی، و مبتنی بر GPU در رقابت های مربوط به تشخیص الگو و همچنین قطعه بندی تصویر و تشخیص شی برنده شدند.
برخلاف این سیستم ها، انسان ها یاد می گیرند الگوها را با توجه به اجزای مربوطه داده های موجود، فعالانه درک کنند. NN های عمیق آینده نزدیک، نیز این کار را انجام داده و کار قبلی از سال 1990 پیرامون NN هایی که توجه انتخابی را از طریق RL (a) اعمال حرکتی نظیر کنترل جهشی و (b) اعمال درونی که نورافن های توجه در RNN ها را کنترل کرده و حلقه حسی حرکتی عمومی را از طریق بازخورد برونی و درونی می بندند، یادمی گیرند، توسعه می دهند.

• بخشی از مقاله انگلیسی:

Preface This is the preprint of an invited Deep Learning (DL) overview. One of its goals is to assign credit to those who contributed to the present state of the art. I acknowledge the limitations of attempting to achieve this goal. The DL research community itself may be viewed as a continually evolving, deep network of scientists who have influenced each other in complex ways. Starting from recent DL results, I tried to trace back the origins of relevant ideas through the past half century and beyond, sometimes using ‘‘local search’’ to follow citations of citations backwards in time. Since not all DL publications properly acknowledge earlier relevant work, additional global search strategies were employed, aided by consulting numerous neural network experts. As a result, the present preprint mostly consists of references. Nevertheless, through an expert selection bias I may have missed important work. A related bias was surely introduced by my special familiarity with the work of my own DL research group in the past quarter-century. For these reasons, this work should be viewed as merely a snapshot of an ongoing credit assignment process. To help improve it, please do not hesitate to send corrections and suggestions to juergen@idsia.ch. 1. Introduction to Deep Learning (DL) in Neural Networks (NNs) Which modifiable components of a learning system are responsible for its success or failure? What changes to them improve performance? This has been called the fundamental credit assignment problem (Minsky, 1963). There are general credit assignment methods for universal problem solvers that are time-optimal in various theoretical senses (Section 6.8). The present survey, however, will focus on the narrower, but now commercially important, subfield of Deep Learning (DL) in Artificial Neural Networks (NNs). A standard neural network (NN) consists of many simple, connected processors called neurons, each producing a sequence of real-valued activations. Input neurons get activated through sensors perceiving the environment, other neurons get activated through weighted connections from previously active neurons (details in Section 2). Some neurons may influence the environment by triggering actions. Learning or credit assignment is about finding weights that make the NN exhibit desired behavior, such as driving a car. Depending on the problem and how the neurons are connected, such behavior may require long causal chains of computational stages (Section 3), where each stage transforms (often in a non-linear way) the aggregate activation of the network. Deep Learning is about accurately assigning credit across many such stages. Shallow NN-like models with few such stages have been around for many decades if not centuries (Section 5.1). Models with several successive nonlinear layers of neurons date back at least to the 1960s (Section 5.3) and 1970s (Section 5.5). An efficient gradient descent method for teacher-based Supervised Learning (SL) in discrete, differentiable networks of arbitrary depth called backpropagation (BP) was developed in the 1960s and 1970s, and applied to NNs in 1981 (Section 5.5). BP-based training of deep NNs with many layers, however, had been found to be difficult in practice by the late 1980s (Section 5.6), and had become an explicit research subject by the early 1990s (Section 5.9). DL became practically feasible to some extent through the help of Unsupervised Learning (UL), e.g., Section 5.10 (1991), Section 5.15 (2006). The 1990s and 2000s also saw many improvements of purely supervised DL (Section 5). In the new millennium, deep NNs have finally attracted wide-spread attention, mainly by outperforming alternative machine learning methods such as kernel machines (Schölkopf, Burges, & Smola, 1998; Vapnik, 1995) in numerous important applications. In fact, since 2009, supervised deep NNs have won many official international pattern recognition competitions (e.g., Sections 5.17, 5.19, 5.21 and 5.22), achieving the first superhuman visual pattern recognition results in limited domains (Section 5.19, 2011). Deep NNs also have become relevant for the more general field of Reinforcement Learning (RL) where there is no supervising teacher (Section 6). Both feedforward (acyclic) NNs (FNNs) and recurrent (cyclic) NNs (RNNs) have won contests (Sections 5.12, 5.14, 5.17, 5.19, 5.21, 5.22). In a sense, RNNs are the deepest of all NNs (Section 3)— they are general computers more powerful than FNNs, and can in principle create and process memories of arbitrary sequences of input patterns (e.g., Schmidhuber, 1990a; Siegelmann & Sontag, 1991). Unlike traditional methods for automatic sequential program synthesis (e.g., Balzer, 1985; Deville & Lau, 1994; Soloway, 1986; Waldinger & Lee, 1969), RNNs can learn programs that mix sequential and parallel information processing in a natural and efficient way, exploiting the massive parallelism viewed as crucial for sustaining the rapid decline of computation cost observed over the past 75 years.

نوشته دانلود ترجمه مقاله Deep learning در شبکه های عصبی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
۱ مقدمه
۱ ۱ حداقل مربعات غیر منفی
۲ ۱ بررسی الگوریتم های NNLS
۲ روش مجموعه فعال
۳ الگوریتم پیشنهاد شده
۱ ۳ به روزرسانی QR
۲ ۳ به روزرسانی آلترناتیو QR با چرخش
۴ ۳ تنزل رتبه QR با چرخش
۴ معماریهای CPU چند هسته ای
۱ ۴ اجرای CPU
۵ معماریهای GPU
۱ ۵ اجرای GPU
۲ ۵ موازی سازی روشهای QR
۳ ۵ مصرف حافظه
۶ کاربرد
۷ آزمایشات
۱ ۷ داده های تست غیر مصنوعی
۲ ۷ داده های تست مصنوعی
۸ ملاحظات پایانی

بخشی از ترجمه:

 معماریهای GPU

پیشرفتهای اخیر در واحدهای پردازش گرافیکی همه منظوره (GPU) ، به معماریهای قابل برنامه نویسی انجامیده است که با کاربردهای موازی در ذهن طراحی شده اند. به علاوه GPU ها نمونه ای از نسل های آتی  پردازنده های چند هسته ای، چند رشته ای و موازی با قدرت اسب بخار محاسباتی بسیار عظیم در نظر گرفته شده اند. آنها مناسب الگوریتم هایی هستند که با معماری  SIMT طرح و نگاشت می شوند. بنابراین، GPU در هنگام اجرای این عملیات ها در میان رشته های متعدد برروی چند پردازنده، به شدت حسابی بالایی دست می یابد ( نسبت عملیات حسابی به عملیات های حافظه).
GPU ها اغلب به صورت مجموعه مولتی یا چند پردازنده هایی طراحی شده اند که هر یک حاوی مجموعه کوچکتری از پردازنده های اسکالر (SP) با معماری SIMD می باشند. چند رشته ای سخت افزار تحت معماری SIMT رشته های متعدد را برروی یک SP نگاشت می کند. یک SP آدرس دستور را جابجا و حالات رشته های متعدد را رجیستر یا ثبت می کند به گونه ای که آنها می توانند به صورت مستقل اجرا شوند. واحد SIMT چندپردازنده دسته های رشته ها را به منظور اجرای یک دستور مشترک، زمان بندی می کند. اگر رشته های دسته از طریق شاخه شرطی وابسته به داده ها واگرا شوند، آنگاه تا زمان همگرایی به سمت مسیر اجرا، کلیه رشته های واقع در امتداد دسته های جداگانه به صورت سریالی و پیاپی قرار می گیرند.

 8. ملاحظات پایانی
 در این مقاله یک روش کارآمد برای حل زیرمسائل حداقل مربعات در الگوریتم مجموعه فعال مطرح کرده ایم. در اینجا نشان داده ایم که ازتجزیه های قبلی QR می توان برای به روزرسانی و حل زیرمسائل حداقل مربعات مشابه استفاده نمود. به علاوه، مرتب سازی مجدد متغیرها در مجموعه غیر فعال محاسبات کمتری در مرحله به روزرسانی حاصل نمود. این امر منجر به تسریع قابل توجه و اساسی نسبت به روشهای موجود در اجراهای GPU و CPU گردید. روی کاربردها برای نگاشت و نقشه برداری از زمین مبتنی بر ماهواره (نقشه برداری ماهواره ای) و پردازش سیگنال آرایه میکروفون کار شده است. 

بخشی از مقاله انگلیسی:

5. GPU Architectures.

Recent advances in general purpose graphics processing units (GPUs) have given rise to highly programmable architectures designed with parallel applications in mind. Moreover, GPUs are considered to be typical of future generations of highly parallel, multi-threaded, multi-core processors with tremendous computational horsepower. They are well-suited for algorithms that map to a SingleInstruction-Multiple-Thread (SIMT) architecture. Hence, GPUs achieve a high arithmetic intensity (ratio of arithmetic operation to memory operations) when performing the same operations across multiple threads on a multi-processor.

GPUs are often designed as a set of multiprocessors, each containing a smaller set of scalar-processors (SP) with a Single-Instruction-Multiple-Data (SIMD) architecture. Hardware multi-threading under a SIMT architecture maps multiple threads to a single SP. A single SP handles the instruction address and register states of multiple threads so that they may execute independently. The multiprocessor’s SIMT unit schedules batches of threads to execute a common instruction. If threads of the same batch diverge via a data-dependent conditional branch, then all the threads along the separate branches are serialized until they converge back to the same execution path.

8. Concluding Remarks.

In this paper, we have presented an efficient procedure for solving least squares sub-problems in the active-set algorithm. We have shown that prior QR decompositions may be used to update and solve similar least squares sub-problems. Furthermore, a reordering of variables in the passive-set yielded fewer computations in the update step. This has lead to substantial speed-ups over existing methods in both the GPU and CPU implementations. Applications to satellite based terrain mapping and in microphone array signal processing are being worked on.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله کاربرد حداقل مربعات غیر منفی موازی کارآمد در معماری چند هسته ای – مجله CiteSeerX اولین بار در ترجمه فا پدیدار شد.

بخشی از ترجمه:

چکیده

از آن جایی که تلاقی مثلثی الگوریتم رهگیری پرتو سهم به سزایی در محاسبات دارد، بنابراین افزایش سرعت محاسبه نور و تلاقی مثلثی نقش مهمی در بالا بردن عملکرد الگوریتم رهگیری پرتو دارد. در این مقاله یک الگوریتم موازی تلاقی مثلثی و نوری سریع مبتنی بر GPU ارائه می­شود. این الگوریتم میزان محاسبات آزمون تلاقی مثلثی را با روش تفکیک فضا در ساختار درخت هشت تایی کاهش داده و آزمون تلاقی مثلثی را با استفاده از مختصات گرانیگاهی مثلثی ساده­تر می‌کند. براساس نتایج تجربی، این X-(نسبت به نتایج محاسبه شده در CPU سرعت بیش‌تری دارد.

1. مقدمه
از آن جایی که مسیرهای نوری (اپتیکال) برگشت­پذیر هستند، اکثر الگوریتم‌های رهگیری پرتو نور از طریق مسیریابی نور ساطع شده را از نقطه دید شبیه­سازی می‌کنند. رهگیری هر نور ساطع شده از نقطه دید مستلزم آزمون‌های تلاقی بسیاری است. الگوریتم رهگیری پرتو، در مقایسه با الگوریتم خط اسکن قدیمی با حدود 75% تا 95% محاسبات به کار رفته در عملیات تلاقی به محاسبات بیشتری نیاز دارد. بنابراین، افزایش سرعت آزمون تلاقی در الگوریتم رهگیری پرتو نقش مهمی در بهبود کارایی کلی الگوریتم رهگیری پرتو ایفاء می‌کند. از آن جایی که هر یک از پرتوها مستقل از یکدیگر هستند و هر مسیر مثلثی نیز مستقل است، بنابراین امکان پردازش موازی وجود دارد.

بخشی از مقاله انگلیسی:

1.Introduction

Ray tracing algorithm plays an important role in generating 3D realistic graphics. It can reproducenatural light reflection and refraction in the scene, and calculate the total intensity of its role, resulting inrealistic visual effects. Currently, the algorithm has been widely used in various games, commercialanimation software.Since the optical paths are reversible, most of the ray tracing algorithms simulate light via trackinglight emitted from the point of view. Tracking each light emitted from the point of view invokes a largenumber of intersection tests. Compared to traditional scan line algorithm, ray tracing algorithm needs avery large amount of computation with about 75% to 95% of the amount used to calculate theintersection operation. Therefore, speeding up the intersection testing in ray tracing algorithm plays animportant role in improving the overall efficiency of the ray tracing algorithm. Because each light isindependent of each other and each triangular patch is also independent, it is possible for parallel

2.Research Status

Today the technologies of realistic rendering mainly include the following[3][8][9] : rasterization,ray casting, radiosity algorithm, ray tracing algorithm. Of these rendering technologies, ray tracingalgorithm can simulate the reflection, refraction, scattering, dispersion and other advanced optical effects,which is hard for other rendering technologies.Ray tracing algorithm is a computationally intensive algorithm, which includes following steps, lightgeneration, space traversal, intersection testing, rendering[7]. Among these steps, intersection testingneeds the most large amount of calculation. In ray tracing, improving the speed of rendering is often atthe expense of realism results[10]. To overcome this problem, many studies have focused on hardwareacceleratedalgorithm[7]. As a result, in recent years the use of GPU-accelerated ray tracing algorithm hasbecome an important trend.

3.Ray and Triangle Intersection Acceleration

3.1.Theory of GPU Computation

GPU and CPU architectures vary widely. GPU has an astonishing ability to handle floating-pointoperations with relatively less functional modules which makes most of transistors composed of varioustypes of dedicated circuit, numbers of pipelines.Compared to CPU, GPU has more memory bandwidth and has a larger number of execution units.We use CUDA as a programming tool, which is NVIDIA GPGPU model. In the CUDA architecture, theprogram is divided into two parts, namely host side and device side. The smallest unit of execution atdevice side is thread and several threads form a block. Threads under the same block can access the sameshared memory, and can be synchronized quickly.3.2.Algorithm OverviewWe use octree spatial subdivision algorithm to subdivide the space of the scene. The algorithmdivides the space cube in three directions which contains the entire scene, into eight sub grid, or boundingbox, organized into an octree. A further subdivision will be done if the number of vertices the boundingbox contains is more than a given threshold. This process will continue until the number of vertices eachleaf node contains is less than a given threshold and the leaf node holds the information of triangularpatches surrounded by vertices. When the light goes through the scene, a simple bounding boxintersection operation can be done to skip those bounding boxes which has nothing to do with the trackinglight, reducing the number of intersection operations. As a result, the computation time can be reduced.Once we find the leaf node intersected with the tracking light, the intersection computation operation canbe done with the tracking light and triangular patches contained in the leaf node. The vertices in thetriangular patches can be represented in the form of triangle barycentric coordinates. By computing theintersection point with tracking light and the triangular patch, we can known whether the tracking lightintersects with the triangular patch according to that whether the intersection point is within the triangle.

نوشته دانلود ترجمه مقاله الگوریتم موازی سریع با الگوی مثلثی مبتنی بر پردازنده گرافیکی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.