Přejít na obsah

Publikace

Detail publikace

Citace

Lukáš Machlica and Jan Vaněk and Zbyněk Zajíc : Fast Estimation of Gaussian Mixture Model Parameters on GPU using CUDA . The 12th International Conference on Parallel and Distributed Computing, Applications and Technologies, p. 167-172, IEEE Computer Society Conference Publishing Services (CPS), 2011.

PDF ke stažení

PDF

Abstrakt

Gaussian Mixture Model (GMM) statistics are required for maximum likelihood training as well as for adaptation techniques. In order to train/adapt a reliable model a lot of data are needed, what makes the estimation process time consuming. The paper presents an efficient implementation of estimation of GMM statistics on GPU using NVIDIA's Compute Unified Device Architecture (CUDA). Also an augmentation of the standard CPU version is proposed utilizing SSE instructions. Time consumptions of presented methods are tested on a large dataset of real speech data from the NIST Speaker Recognition Evaluation 2008. Estimation on GPU proves to be 100 times faster than the standard CPU version and 30 times faster than the SSE version assuming more than 256 mixtures, thus a huge speed-up was achieved without any approximations made in the estimation formulas. Proposed implementation was also compared to other implementations developed by other departments over the world and proved to be the fastest.

Abstrakt v češtině

Článek pojednává o estimaci statistik Modelu Gaussovských Směsí (GMM). Trénování spolehlivého GMM vyžaduje velké množství dat, čím se ale zvyšuje časová náročnost odhadu parametrů GMM. Článek popisuje efektivní metodu implementace estimace GMM statistik využitím GPU a CUDA architektury grafických karet NVIDIA. Je popsána také implementace standardní CPU verze za využití SSE instrukcí. Jednotlivé implementace jsou testovány na reálních telefonních datech z korpusu NIST SRE 2008. Estimace GMM parametrů prostřednictvím GPU je při stávající implementaci 100 rychlejší než standardní CPU verze a 30 krát rychlejší než SSE verze v případech, že GMM obsahuje víc než 256 složek. GPU implementace byla taktéž srovnána s implementacemi navrženými na jiných pracovištích ve světě a je nejrychlejší.

Detail publikace

Název: Fast Estimation of Gaussian Mixture Model Parameters on GPU using CUDA
Autor: Lukáš Machlica ; Jan Vaněk ; Zbyněk Zajíc
Název - česky: Rychlá estimace parametrů model Gaussovských směsí za využití GPU a architektury CUDA
Jazyk publikace: anglicky
Datum vydání: 20.10.2011
Rok vydání: 2011
Typ publikace: Stať ve sborníku
Název časopisu / knihy: The 12th International Conference on Parallel and Distributed Computing, Applications and Technologies
Strana: 167 - 172
DOI: 10.1109/PDCAT.2011.40
ISBN: 978-0-7695-4564-6
Nakladatel: IEEE Computer Society Conference Publishing Services (CPS)
Datum: 20.10.2011 - 22.10.2011
/ 2013-09-06 14:04:22 /

Klíčová slova

CUDA, SSE, GMM, robust, GMM, EM, parallel implementation

Klíčová slova v češtině

CUDA, SSE, GMM, robustní, GMM, EM, paralelní implementace

BibTeX

@ARTICLE{LukasMachlica_2011_FastEstimationof,
 author = {Luk\'{a}\v{s} Machlica and Jan Van\v{e}k and Zbyn\v{e}k Zaj\'{i}c},
 title = {Fast Estimation of Gaussian Mixture Model Parameters on GPU using CUDA},
 year = {2011},
 publisher = {IEEE Computer Society Conference Publishing Services (CPS)},
 journal = {The 12th International Conference on Parallel and Distributed Computing, Applications and Technologies},
 pages = {167-172},
 ISBN = {978-0-7695-4564-6},
 doi = {10.1109/PDCAT.2011.40 },
 url = {http://www.kky.zcu.cz/en/publications/LukasMachlica_2011_FastEstimationof},
}