| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题来源及研究意义 | 第8页 |
| 1.2 与课题相关的国内外研究综述 | 第8-11页 |
| 1.2.1 深度学习研究现状 | 第9-10页 |
| 1.2.2 GPU 高性能运算的研究现状 | 第10-11页 |
| 1.2.3 手写识别的研究现状 | 第11页 |
| 1.3 本论文的主要工作内容 | 第11-13页 |
| 第2章 手写识别系统需求分析与关键技术 | 第13-20页 |
| 2.1 系统开发角色 | 第13页 |
| 2.2 需求分析用例图 | 第13-15页 |
| 2.3 系统需求分析用例说明 | 第15-16页 |
| 2.4 需求描述 | 第16-18页 |
| 2.4.1 功能需求描述 | 第16-17页 |
| 2.4.2 非功能需求描述 | 第17-18页 |
| 2.5 关键技术 | 第18-19页 |
| 2.5.1 数据并行 | 第18-19页 |
| 2.5.2 任务并行 | 第19页 |
| 2.6 本章小结 | 第19-20页 |
| 第3章 手写识别系统总体设计与详细设计 | 第20-40页 |
| 3.1 系统总体设计 | 第20-22页 |
| 3.1.1 系统结构 | 第21-22页 |
| 3.1.2 系统整体流程 | 第22页 |
| 3.2 样本采集模块设计 | 第22-23页 |
| 3.3 算法并行模块设计 | 第23-32页 |
| 3.3.1 深度信念网络并行技术分析 | 第23-27页 |
| 3.3.2 深度信念网络预训练部分并行分析 | 第27-29页 |
| 3.3.3 深度信念网络梯度反馈部分并行性分析 | 第29-32页 |
| 3.4 模型训练模块设计 | 第32-33页 |
| 3.5 改进训练模型模块设计 | 第33-38页 |
| 3.5.1 稀疏化训练模型 | 第33-34页 |
| 3.5.2 采取 low-rank 方法训练数据 | 第34-35页 |
| 3.5.3 采用 rectify 的方法设置隐藏层 | 第35-37页 |
| 3.5.4 对共轭梯度法的优化 | 第37-38页 |
| 3.6 识别评估模块设计 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 手写识别系统模块实现 | 第40-59页 |
| 4.1 算法并行模块实现 | 第40-51页 |
| 4.1.1 实现预训练部分的并行 | 第41-47页 |
| 4.1.2 梯度反馈的并行实现 | 第47-51页 |
| 4.2 改进深度信念网络的实现 | 第51-57页 |
| 4.2.1 稀疏化训练模型的实现 | 第51-53页 |
| 4.2.2 采取 low-rank 方法训练数据 | 第53-54页 |
| 4.2.3 采用 rectify 的方法训练数据 | 第54-55页 |
| 4.2.4 对共轭梯度法进行改进 | 第55-57页 |
| 4.3 系统识别评估模块实现 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 手写识别系统测试与实验分析 | 第59-69页 |
| 5.1 测试工具和环境 | 第59-60页 |
| 5.2 功能测试结果 | 第60-62页 |
| 5.3 性能测试及实验结果分析 | 第62-68页 |
| 5.3.1 Parallel Nsight 测试结果分析 | 第62-63页 |
| 5.3.2 实验测试结果分析 | 第63-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 个人简历 | 第76页 |