如何在不并行的情况下提高反向传播 ANN 的性能

After 剖析我的反向传播算法，我了解到它占用了我 60% 的计算时间。 在开始研究并行替代方案之前，我想看看是否还有什么可以做的。

The activate(const double input[])函数被分析为只花费约 5% 的时间。 这gradient(const double input)函数实现如下：

inline double gradient(const double input) { return (1 - (input * input)); }

有问题的训练函数：

void train(const vector<double>& data, const vector<double>& desired, const double learn_rate, const double momentum) {
        this->activate(data);
        this->calculate_error(desired);

        // adjust weights for layers
        const auto n_layers = this->config.size();
        const auto adjustment = (1 - momentum) * learn_rate;

        for (size_t i = 1; i < n_layers; ++i) {
            const auto& inputs = i - 1 > 0 ? this->outputs[i - 1] : data;
            const auto n_inputs = this->config[i - 1];
            const auto n_neurons = this->config[i];

            for (auto j = 0; j < n_neurons; ++j) {
                const auto adjusted_error = adjustment * this->errors[i][j];

                for (auto k = 0; k < n_inputs; ++k) {
                    const auto delta = adjusted_error * inputs[k] + (momentum * this->deltas[i][j][k]);

                    this->deltas[i][j][k] = delta;
                    this->weights[i][j][k] += delta;
                }

                const auto delta = adjusted_error * this->bias + (momentum * this->deltas[i][j][n_inputs]);

                this->deltas[i][j][n_inputs] = delta;
                this->weights[i][j][n_inputs] += delta;
            }
        }
    }
}

这个问题可能更适合https://codereview.stackexchange.com/ https://codereview.stackexchange.com/.

如果你想训练/使用神经网络，你就无法避免 O(n^2) 算法。但它非常适合矢量运算。例如，通过巧妙地使用 SSE 或 AVX，您可以以 4 或 8 个块的形式处理神经元，并使用乘加而不是两个单独的指令。

如果您使用现代编译器并仔细重新制定算法并使用正确的开关，您甚至可以让编译器为您自动向量化循环，但您的里程可能会有所不同。

对于 gcc，使用 -O3 或 -ftree-vectorize 激活自动矢量化。当然，您需要一个支持向量的 cpu，例如 -march=core2 -mssse4.1 或类似的，具体取决于目标 cpu。如果您使用 -ftree-vectorizer-verbose=2 您会得到详细的解释，循环未矢量化的原因和位置。看一下http://gcc.gnu.org/projects/tree-ssa/vectorization.html http://gcc.gnu.org/projects/tree-ssa/vectorization.html .

当然更好的是直接使用编译器内在函数。