Realizacja przetwarzania w chmurze obliczeniowej na przykładzie systemu uczenia sieci neuronowej opartego na technologii Microsoft Windows Azure

• Autorzy: Augustyn D. , Badura K.

Warianty tytułu

EN

The Microsoft Windows Azure-based system for neural network learning as an example of cloud processing application

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono budowę systemu uczenia sieci neuronowej, opartego na koncepcji przetwarzania w chmurze obliczeniowej. Implementacja systemu bazuje na technologii Microsoft Windows Azure. W rozwiązaniu zastosowano znany algorytm uczenia – metodę wstecznej propagacji błędu – dostosowany do rozproszonego sposobu realizacji. Zaproponowano architekturę systemu, w której wykorzystano współpracujące procesy (instancje) typu WorkerRole. W opracowaniu przedstawiono sposób wykorzystania różnych metod magazynowania danych, dostępnych przez mechanizmy Windows Azure Table, Queue, Blob Storage. Równoległe przetwarzanie systemu zostało zapewnione nie tylko dzięki zastosowaniu wielu procesów WorkerRole, ale również dzięki wykorzystaniu modułu Parallel Extension for .NET przy implementacji kodu WorkerRole.

EN

The paper presents the system for neural network learning based on the idea of Cloud computing. System implementation uses Microsoft Windows Azure technology. The well-known learning algorithm i.e. back propagation method was adopted for parallel and distributed execution. The architecture of cooperative worker role processes was proposed. The paper describes applying of methods of data storage like Windows Azure Table, Queue, Blob. The advantages of parallelization result from either applying multiple processes (instances) of WorkerRoles or applying Parallel Extension for .NET module in WorkeRole’s implementation.

Słowa kluczowe

PL

chmura obliczeniowa; Microsoft Windows Azure; przetwarzanie równoległe; parallel processing; uczenie sieci neuronowej

EN

cloud computing; Microsoft Windows Azure; parallel processing; neural network learning

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2012
• Tom: Vol. 33, nr 2A
• Strony: 49--66
• Opis fizyczny: Bibliogr. 9 poz.

Twórcy

autor

Augustyn D.

autor

Badura K.

• Politechnika Śląska, Instytut Informatyki, ul. Akademicka 16, 44-100 Gliwice, Polska,

Bibliografia

• 1. Windows Azure (2012), http://msdn.microsoft.com/en-us/library/ddl79367.aspx.
• 2. Tour - Overview - Windows Azure (2012), http://www.windowsazure.com/en-us/ home/tour/overview.
• 3. Cloud Storage - Windows Azure (2012), http://www.windowsazure.com/en-us/ develop/net/fundamentals/cloud-storage.
• 4. Haridas J., Nilakantan N., Caíder B.: Windows Azure Table, http://www.scribd.com/ doc/63485303/Windows-Azure-Table-May-2009.
• 5. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993
• 6. Wilson R., Martinez T.: The General Inefficiency of Batch Training for Gradient Descent Learning. Neural Networks, 2003.
• 7. Prechelt L.: A Set of Neural Network Benchmark Problems and Benchmarking Rules. Technical Report, Karlsruhe 1994.
• 8. Parallel Programming in the .NET Framework (2012), http://msdn.microsoft.com/en-us/library/dd460693.aspx.
• 9.Data Parallelism (Task Parallel Library) (2012), http://msdn.microsoft.com/en-us/library/dd537608 .aspx.