[发明专利]一种GPU上的基于着色优化的置信传播方法

说明书

本发明公开了一种GPU上的基于着色优化的置信传播方法。本发明通过使用信息残差大的顶点对信息残差小的顶点进行固定步长的着色操作，在整个图模型上形成多个以信息残差大的顶点为中心的分区，将该顶点命名为中心点；在每个分区中，按照最远顶点到中心点以及中心点到最远点的顺序对边上的信息进行更新操作，以完成每次迭代的置信传播计算。本发明能够保证置信传播方法在短时间内收敛大多数顶点。

技术领域

本发明涉及使用异构系统进行置信传播计算的方法，具体的说是一种GPU上的基于着色优化的置信传播方法。

背景技术

置信传播(Belief Propagation,BP)是一种在概率随机图上进行近似推断的信息传递算法，它是很多重要领域的基础算法，包括：在通信领域广泛应用的极化码编码(Polarcodes)和低密度奇偶校验编码(Low-Density Parity-Check,LDPC)、计算机视觉、蛋白质折叠等。例如：在计算机视觉中，立体匹配和图像去噪这种“像素标记”相关的应用需求可以直接看成最大后验(MAP)问题，这些问题可以通过最大乘积置信传播方法(Max-Product BP)成功解决。在概率图模型中，每个结点表示一个随机变量，其按照不同的概率取不同的标记值，结点之间的边表示这些随机变量之间的概率关系。其中，所有随机变量的联合概率分布可以表示成若干随机变量子集的乘积。置信传播算法利用结点与结点之间相互传递信息而更新当前整个概率图模型的标记状态。置信传播的计算往往需要多次迭代。经过多次迭代，无环路的概率图模型可以保证所有结点的置信度不再发生变化，即所有结点达到收敛状态。有环路的概率图模型不能保证所有结点达到收敛状态，但在多次迭代后，其未收敛的结点数目会逐渐稳定。早期的置信传播大多为串行方法，通过调整边上信息的更新顺序达到性能优化的效果。如：残差置信传播(Residual belief propagation,RBP)每次只更新信息残差最大的边上的信息。Loopy BP(LBP)是最直接的并行方案，其每次迭代更新所有未收敛边上的信息。但是研究表明这种方法最终的收敛度非常低。Residual Splash(RS)方法以信息残差最大的点为中心，按广度优先遍历顺序的正、反方向对边上的信息进行更新。近些年来，图形处理器(Graphics Processing Units，GPU)在并行图计算领域得到了广泛的应用，信息更新计算是置信传播中的主要计算任务，其非常适合于并行处理，因此GPU能显著提升置信传播计算的速度。RnBP方法是一种在GPU上实现的置信传播算法，其按一定比例更新未收敛信息使算法在收敛速度与收敛度间进行权衡。以上方法都存在明显缺陷，RS方法中的顶点排序操作不适合GPU的并行架构，并且RS需要申请大量内存来记录每个步长中需要处理的顶点值。而RnBP算法未考虑信息的更新顺序，导致计算资源的浪费。

发明内容

针对现有技术中存在的技术问题，本发明的目的在于提供一种GPU上的基于着色优化的置信传播方法，本发明充分考虑GPU的架构特征与置信传播中信息更新顺序，作为提升并行置信传播计算效率的关键因素，利用着色操作对未收敛的信息进行分区并规定更新顺序，提升了置信传播方法整体的运行效率，并根据用户的不同计算需求，提出不同的置信传播方法，对相应的计算阶段进行专门优化。

本发明的技术方案如下：

一种GPU上的基于着色优化的置信传播方法，其步骤包括：

1)将需要处理的概率图数据G(V,E,Ψ)加载到设备内存中；其中V为概率图的顶点集，E为概率图的边集，Ψ为概率集，包括概率图中每个顶点取不同标记的概率值和每条边对应的转移概率值；每个顶点v_i对应于集合中的一个离散随机变量X_i，n为顶点总数，X_i∈A_i，A_i为有限标签集；每一条边(v_i,v_j)对应于两个顶点v_i和v_j上变量不同取值之间的概率关系；设置每次着色操作的迭代次数C_n、判断信息是否收敛的阈值ξ以及置信传播结束计算的时间阈值T_ξ；