Данная работа посвящена исследованию и реализации модификаций Deep Forest для задачи классификации изображений с целью увеличения скорости обучения и предсказаний. Задачи, которые решались в ходе работы: 1. Разработка модификации для алгоритма Deep Forest с с использованием архитектуры CUDA NVIDIA; 2. Реализация разработанного алгоритма; 3. Проведение оценки реализованной модели с существующими фреймворками для классификации изображений (gcForest, VGG) по критериям производительности и качества классификации; 4. Исследование разработанного алгоритма для выявления мест, в которых возможны дальнейшие улучшения; В работе представлена модификация алгоритма Deep Forest, а также его реализация. Процедуры обучения и предсказания реализованы с использованием параллельных вычислений на GPU. Для разработанного алгоритма проведена оценка качества предсказания и производительности по сравнению в сравнении с исходной моделью, а также с существующими алгоритмами свёрточных нейронных сетей LeNet-5, VGG-5. По результатам оценки получено, что разработанный алгоритм по сравнению с рассматриваемыми моделями имеет меньшую точность предсказания (1-6% по метрике точности) и большую скорость обучения (в 4-12 раз быстрее).

This work is devoted to the study and implementation of Deep Forest modifications for the problem of image classification in order to increase the speed of learning and predictions. Tasks that were solved in the course of work: 1. Development of a modification for the Deep Forest algorithm using the CUDA NVIDIA architecture; 2. Implementation of the developed algorithm; 3. Assessment of the implemented model with existing frameworks for image classification (gcForest, VGG) according to performance criteria and classification quality; 4. Research of the developed algorithm to identify places where further improvements are possible; The paper presents a modification of the Deep Forest algorithm, as well as its implementation. The training and prediction procedures are implemented using parallel computing on the GPU. For the developed algorithm, the prediction quality and performance were assessed in comparison with the original model, as well as with the existing algorithms of convolutional neural networks LeNet-5, VGG-5. Based on the results of the assessment, it was found that the developed algorithm, in comparison with the models under consideration, has a lower prediction accuracy (1-6% in terms of the accuracy metric) and a higher learning rate (4-12 times faster).