Accelerated Neural Networks on GPU

Tato práce se věnuje implementaci aplikace pro simulaci neuronových sítí a její akceleraci za využití grafického procesoru. Aplikace se zaměřuje především na sítě typu Feedforward a jejich učení algoritmem Backpropagation, podporuje však i jiné typy sítí a umožňuje rozšíření o další učící algoritmy. Aplikace také umožňuje zavést do sítě různé poruchy struktury, což je možné využít pro testování odolnosti neuronových sítí vůči poruchám. Práce je implementována v jazyce C++ za využití OpenCL pro výpočty na GPU. Výsledky akcelerace učení algoritmem Backpropagation byly porovnány s volně dostupnou knihovnou FANN.This thesis deals with the implementation of an application for artificial neural networks simulation and acceleration using a graphics processing unit. The computation and training of feedforward neural networks using the Backpropagation algorithm are the main focus of this thesis, but the application also supports other network types, and it makes it possible to extend the application with different training algorithms. Next, the application allows us to create neural networks with structural anomalies, and thus, to test the neural network's fault tolerance. The application is implemented in the C++ language, using OpenCL to manage GPU computation. The Backpropagation acceleration results were compared with the free open source library FANN.