О задаче прогнозирования времени выполнения нейросетевых алгоритмов с использованием плат GPU на примере сетей свертки

В последние годы вычислительная мощность плат GPU значительно возросла. Появление архитектуры CUDA позволило исследователям и инженерам активно использовать графические платы в своей работе, в том числе в области нанотехнологий. Однако, во многих случаях при реализации алгоритмов на GPU затруднительно предсказать результирующий коэффициент ускорения и, соответственно, достоверно оценить вычислительную эффективность разрабатываемого алгоритмического решения. Таким образом, актуальной является задача прогнозирования скорости вычисления программ на платах GPU.
Данная работа посвящена разработке модели прогнозирования для алгоритмов, основанных на применении нейронных сетей. НС зависят от большого числа глобальных параметров, которые определяются в процессе проектирования архитектуры сети, и влияют на скорость выполнения и точность получаемых результатов. Процедура выбора значений этих параметров требует существенных временных затрат. Применение методов прогнозирования позволит существенно сократить время выполнения данного этапа и повысить эффективность получаемых оценок глобальных параметров НС.