基于GPU的RBM并行加速方法

　　为针对受限玻尔兹曼机处理大数据时存在的训练缓慢、难以得到模型最优的问题，提出了基于CJPU的RBM模型训练并行加速方法。首先重新规划了对比散度算法在C‘JPU的实现步骤；其次结合以往C’JPU并行方案，提出采用CUBLAS执行训练的矩阵乘加运算，设计周期更长、代码更为简洁的Tausworthe113和CLCC4的组合随机数生成器，利用CUDA拾取纹理内存的读取模式实现了Sigmoid函数值计算；最后对训练时间和效果进行检验。通过MNIST手写数字识别集实验证明，相较于以往RBM并行代码，新设计的CJPU并行方案在处理大规模数据集训练上优势较为明显，加速比达到25以上。