一种基于GPU的张量分解及重构方法技术

本发明专利技术公开了一种基于GPU的张量分解及重构方法，其包括获取初始核心张量及因子矩阵，基于GPU并行地将张量与其它方向的因子矩阵的转置沿着不同方向作张量与矩阵的乘积得到选取方向的最优核心张量，将最优核心张量与因子矩阵依次作TTM乘积，完成张量分解及重构。本发明专利技术通过将一系列张量与矩阵的乘法进行基于GPU的并行化处理，以中间结果复用的方式优化CPU与GPU之间的数据传输开销，加速张量分解与重构，提高了数据的张量近似处理阶段和张量重构的体绘制阶段的计算效率。

【技术实现步骤摘要】
一种基于GPU的张量分解及重构方法
本专利技术大规模体数据分析
，尤其涉及一种基于GPU的张量分解及重构方法。
技术介绍
从大规模、多维度的信息数据中提取其蕴含的信息是信息数据技术时代所面临的热点问题。其中，张量分解和重构是针对大规模体数据进行数据分析和信息提取的有效方法。在张量分解过程中，基于主成分分析的思想有效保留和增强了信息数据中主要的特征；在张量重构中，利用多尺度的思想可以快速地重构出不同尺度的信息数据，支撑不同尺度的数据分析。张量是一个多维或N维阵列。在多线性代数中，张量分解可以看作是矩阵奇异值分解到张量的推广，已经在统计学、信号处理、计算机视觉、数值分析、数据挖掘中得到应用。Tucker分解是将张量分解为一组矩阵和一个小核心张量，每一个矩阵表示一个方向上的基，通过核心张量将各个方向的基联系起来，这样通过每个方向的矩阵和一个核心张量就能重构出原始数据的近似值。最初它被描述为因子分析和主成分分析在三维数据上的延伸，并且能够被延伸到更高维度的张量上。三阶张量已经被广泛应用于表示医学成像、气象预测、地质勘探等领域产生的三维信息数据。三维张量相较于二维矩阵承载了更多的数据信息本文档来自技高网...

【技术保护点】
1.一种基于GPU的张量分解及重构方法，其特征在于，包括以下步骤：A、获取大规模数据的张量及秩，对张量进行分解得到初始核心张量及因子矩阵，并设定最优条件ε，初始化迭代次数l为0；B、依次选取一个方向，对其它方向的因子矩阵求转置，基于GPU并行地将张量与其它方向的因子矩阵的转置沿着不同方向作张量与矩阵的乘积，得到选取方向的最优核心张量；C、将步骤B得到的最优核心张量与因子矩阵依次作张量与矩阵的乘积，得到核心张量C，判断||Cl+1||2‑||Cl||2是否小于最优条件ε；若是，则完成张量分解及重构；若否，则将迭代次数l递增1，返回步骤B。

【技术特征摘要】
1.一种基于GPU的张量分解及重构方法，其特征在于，包括以下步骤：A、获取大规模数据的张量及秩，对张量进行分解得到初始核心张量及因子矩阵，并设定最优条件ε，初始化迭代次数l为0；B、依次选取一个方向，对其它方向的因子矩阵求转置，基于GPU并行地将张量与其它方向的因子矩阵的转置沿着不同方向作张量与矩阵的乘积，得到选取方向的最优核心张量；C、将步骤B得到的最优核心张量与因子矩阵依次作张量与矩阵的乘积，得到核心张量C，判断||Cl+1||2-||Cl||2是否小于最优条件ε；若是，则完成张量分解及重构；若否，则将迭代次数l递增1，返回步骤B。2.如权利要求1所述的基于GPU的张量分解及重构方法，其特征在于，所述步骤B依次选取一个方向，对其它方向的因子矩阵求转置，基于GPU并行地将张量与其它方向的因子矩阵的转置沿着不同方向作张量与矩阵的乘积，得到选取方向的最优核心张量，具体为：对于第l+1次迭代过程，选取方向In的因子矩阵进行优化，求解方向I1-In-1及In+1-IN的因子矩阵的转置，将张量A与其它方向的因子矩阵的转置沿着不同方向作张量与矩阵的乘积，得到选取方向的最优核心张量，表示为：其中，Pl+1为第l+1次迭代过程得到的方向In的最优核心张...

【专利技术属性】
技术研发人员：鲁才，李铭，胡光岷，
申请(专利权)人：成都爱为贝思科技有限公司，
类型：发明
国别省市：四川,51