基于OpenCL的隐马尔可夫模型的GPU并行实现摘要:隐马尔可夫模型（HMM）是建立在马尔可夫链的基础上的统计模型。虽然隐马尔可夫模型是一种计算高效的机器学习模型，但是当处理的数据集规模过于庞大时，分析的时间太长。因此，我们有必要研究隐马尔可夫模型的并行化设计，以提高模型的运算速度。近年来，开放计算语言（OpenCL）的出现，使得设计通用的并行程序成为可能。该文，我们分析了隐马尔可夫模型三类算法的并行特性，并设计基于OpenCL的并行实现。实验结果表明，隐马尔可夫模型在GPU上的并行化实现最高获得了640倍的加速比。
关键词:隐马尔可夫模型GPU通用计算OpenCL 并行计算
隐马尔可夫模型作为一个时间序列的统计分析模型在语音识别、生物序列分析等领域中有着重要的应用。虽然HMM是一种计算高效的机器学习模型，但是当处理数百万长度的序列或同时处理多个序列时，分析的时间往往需要几小时、几天。因此，设计HMM的并行算法，提升模型的训练速度，具有重要的意义。
在该文，我们详细分析了HMM相关的三类关键算法的并行化设计，并在对三种关键算法深入研究的基础上，开发了基于开放式计算语言（OpenCL）的并行实现。实验结果表明在各种情况下获得了良好的加速比性能。
1 隐马尔可夫模型