دراسة وتحليل خوارزميات التفرع في التعرف على الوجوه

الملخص

اتجهت التقنيات الحديثة في الوقت الحالي إلى رفع أداء النظم الحاسوبية والمهام التي تقوم بها, كما تسببت زيادة استخدامات الشبكات ومواقع التواصل ومخدمات تزويد المكتبات والمواقع الحكومية إلى زيادة كم البيانات التي تتواجد على المواقع البعيدة إلى زيادة حالات الضغط على تلك المواقع مما يسبب المزيد من التأخير الزمني للوصول إلى البيانات المطلوبة.

اتجهت العديد من الدراسات إلى استخدام تقنيات الذكاء الصنعي والشبكات العصبية بهدف تصنيف البيانات على المخدمات حسب النوع أو المحتوى بهدف تسريع عمليات التنقيب على البيانات وزيادة الدقة في عمليات البحث, ومن ثم اتجهت الدراسات إلى اعتماد واستخدام نظم البرمجة التفرعية التي تهدف إلى توزيع عمل البيانات على معالجات أو بطاقات إظهار مختلفة.

أثبتت الشبكات العصبية قدرتها على حل العديد من القضايا, ومع ازدياد حجم القضايا باتت تحتاج إلى شبكات ذات حجم أكبر وتتطلب عمليات معالجة أكبر بالإضافة إلى زمن تدريب أطول, وبالتالي أصبحت البرمجة التفرعية واستخدامها من أجل عمليات التعلم مهمة رئيسية للحصول على تطبيقات فعالة. إلا أن اعتمادها الرئيسي على سمات خوارزميات التعلم والبنى الصلبة المتاحة بجوارها تطلب استخدام تقنيات مثل شبكات RNN(Recurrent Neural Networks) اعتماداً على التوازي في عمليات التعلم, تم الاعتماد على تقنيتين رئيسيتين وهما قطاعات المعالجة Computing Clusters اعتماداً على مكتبات MPI,OpenMP والأخرى على Graphics processing باستخدام مكتبات CUDA حيث حقق كلا النموذجين الأداء المطلوب من الخوارزميات التفرعية.