opencl获取gpu信息_一种基于OpenCL的KNN-GPU加速方法

一种基于OpenCL的KNN-GPU加速方法

【专利摘要】本发明涉及一种基于OpenCL的KNN-GPU加速方法。本发明主要完成KNN算法的并行化实现，首先是CPU端的准备工作，包括OpenCL平台的初始化、设备端的存储配置，然后在GPU上的计算过程，包括设备端的测试数据及训练数据在索引空间表示、距离计算及排序等步骤，最后将GPU端所得到的分类结果输出到CPU端显示。本发明还对GPU端的内存访问进行了优化，采用了局部存储器的存储和读取数据，进一步提高了并行化效率。通过实验证明，本发明能够有效提高KNN分类算法的效率，且分类精度保持不变，能够广泛应用于文本及图像等分类计算中。

【专利说明】—种基于OpenCL的KNN-GPU加速方法

【技术领域】

[0001]本发明涉及基于OpenCL平台的GPU并行加速领域，具体涉及一种基于OpenCL的KNN分类的GPU加速新方法。

【背景技术】

[0002]K 最近邻(K-Nearest Neighbor,简称 KNN)算法最初由 Cover 和 Hart 于 1968 年提出，随后得到广泛深入的分析和研究，该算法是一种基于类比学习的算法，对于未知的或者符合正态分布的样本可以获得较高的分类精度，并且具有鲁棒性、方法简单等优点。

[0003]KNN算法的基本思想是:假设每一个类包含多个样本数据，而且每个数据都有一个唯一的类标记表示这些样本类别，分别计算每个样本数据到待分类数据的距离，取和待分类数据最近的k各样本数据，根据这k个近邻的类别确定待分类样本归属。

[0004]KNN分类是一种基于要求的或懒惰的学习方法，它存放所有的训练样本，直到测试样本需要分类时才建立分类。如果数据量比较小，KNN算法还是有客观的速度的。而当