We first explore the potential paral

We first explore the potential parallelism of the recurrent neural network and propose a fine-grained two-stage pipeline implementa- tion. The experiment results are illustrated in Table I. The results show that the proposed GPU implementation can achieve 2 ∼ 11× speed-up compared with the basic CPU implementation with the Intel Math Kernel Library. We then use the proposed GPU implementation978

ผลลัพธ์ (ไทย) 1:

เรา first สำรวจ parallelism ศักยภาพของเครือข่ายประสาทที่เกิดซ้ำ และเสนอเป็นตอนสองเม็ด fine implementa-สเตรชัน ผลการทดลองดังรายละเอียดในตารางผม ผลลัพธ์แสดงว่า ใช้ GPU เสนอสามารถบรรลุ 2 ∼ 11 การเร่งเทียบกับการใช้ CPU พื้นฐานกับ Intel คณิตศาสตร์เคอร์เนลไลบรารี เราใช้ implementation978 GPU เสนอ

ผลลัพธ์ (ไทย) 2:

เรา fi แรกสำรวจความเท่าเทียมศักยภาพของเครือข่ายประสาทกำเริบและนำเสนอไฟ NE-เม็ดเล็กสองจังหวะที่ท่อการ implementa- ผลการทดลองจะแสดงในตารางที่ I. ผลการศึกษาพบว่าการดำเนินการของ GPU ที่นำเสนอสามารถบรรลุ 2 ~ 11 ×ความเร็วขึ้นเมื่อเทียบกับการใช้งาน CPU ขั้นพื้นฐานที่มีอินเทลคณิตศาสตร์ห้องสมุดเคอร์เนล แล้วเราใช้ implementation978 GPU ที่นำเสนอ

ผลลัพธ์ (ไทย) 3:

เราจึงตัดสินใจเดินทางไปสำรวจความศักยภาพของเครือข่ายประสาทกำเริบ และเสนอแบบเม็ดเล็กจึงไม่ท่อ implementa - tion . ผลการทดสอบจะแสดงในตารางที่ 1 ผลการทดลองแสดงให้เห็นว่าการเสนอ GPU สามารถบรรลุ 2 ∼ 11 ×ความเร็วเมื่อเทียบกับ CPU ที่ใช้พื้นฐาน คณิตศาสตร์ข้อมูล โปรแกรมห้องสมุด เราก็ใช้ GPU implementation978 เสนอ