Resumen

Las redes neuronales convolucionales han demostrado ser muy exitosas en aplicaciones como la clasificación de imágenes, el seguimiento de objetos y muchas otras tareas basadas en entradas 2D. Recientemente, los investigadores han empezado a aplicar las redes neuronales convolucionales a la clasificación de vídeos, que constituyen una entrada 3D y requieren cantidades mucho mayores de memoria y mucho más cálculo. Los métodos basados en la FFT pueden reducir la cantidad de cálculo, pero esto suele tener como contrapartida un aumento de las necesidades de memoria. Por otro lado, el algoritmo de filtrado mínimo de Winograd (WMFA) puede reducir el número de operaciones necesarias y, por tanto, acelerar el cálculo, sin aumentar la memoria necesaria. Esta estrategia ha demostrado su eficacia en redes neuronales 2D. Implementamos el algoritmo para redes neuronales convolucionales 3D y lo aplicamos a una popular red neuronal convolucional 3D que se utiliza para clasificar vídeos y la comparamos con cuDNN. Para nuestra implementación altamente optimizada del algoritmo, observamos un aumento de velocidad del doble para la mayoría de las capas de convolución 3D de nuestra red de prueba en comparación con la versión cuDNN.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:red neuronal convolucional, cantidad de memoria, algoritmo de filtrado mínimo, aumento de los requisitos de memoria, red neuronal 2d, cantidad de cálculo, filtrado mínimo winograd, convolucional 3d popular, número de operaciones, capa de convolución 3d
• Keywords:convolutional neural network, amount of memory, minimal filtering algorithm, increased memory requirements, 2d neural network, amount of computation, winograd minimal filtering, popular 3d convolutional, number of operations, 3d convolution layer