cuda-convnet深层卷积神经网络算法的一种速度优化
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究内容 | 第11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-14页 |
| 第2章 深层卷积神经网络 | 第14-26页 |
| 2.1 深层卷积神经网络概述 | 第14-15页 |
| 2.2 深层卷积神经网络模型 | 第15-25页 |
| 2.2.1 神经网络模型 | 第15-18页 |
| 2.2.2 神经网络的反向传播算法 | 第18-21页 |
| 2.2.3 深层卷积神经网络结构 | 第21-25页 |
| 2.3 深层卷积神经网络存在的相关问题 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 CUDA框架 | 第26-34页 |
| 3.1 CUDA技术概述 | 第26-28页 |
| 3.2 CPU与GPU架构 | 第28-29页 |
| 3.3 CUDA的线程层次结构 | 第29-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 深层卷积神经网络的并行化 | 第34-50页 |
| 4.1 卷积 | 第34-36页 |
| 4.2 卷积操作的并行原理 | 第36-37页 |
| 4.3 各线程完成卷积运算的过程 | 第37-43页 |
| 4.3.1 图像和卷积核的分配方式 | 第38-39页 |
| 4.3.2 卷积所需数据存入共享内存的过程 | 第39-42页 |
| 4.3.3 特征图与卷积核的存储方式 | 第42-43页 |
| 4.4 cuda-convnet算法的卷积操作 | 第43-44页 |
| 4.5 本文的特征图与像素并行算法的提出 | 第44-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第5章 实验结果与分析 | 第50-54页 |
| 5.1 不同算法的卷积操作的分析 | 第50-51页 |
| 5.2 实验结果与分析 | 第51-52页 |
| 5.3 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间所发表的学术论文 | 第60-62页 |
| 致谢 | 第62页 |
