| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 研究背景与意义 | 第16-19页 |
| 1.1.1 传统嵌入式设备面临的性能瓶颈 | 第16-17页 |
| 1.1.2 多核高性能嵌入式计算发展现状 | 第17-18页 |
| 1.1.3 多核高性能计算在机器学习领域的应用优势 | 第18-19页 |
| 1.2 基于异构多核的机器学习系统相关问题 | 第19-20页 |
| 1.3 论文主要研究内容及创新性工作 | 第20-22页 |
| 1.4 论文组织结构 | 第22-25页 |
| 第2章 嵌入式高性能并行计算技术 | 第25-47页 |
| 2.1 并行计算体系结构 | 第25-29页 |
| 2.2 并行计算模型 | 第29-33页 |
| 2.3 并行编程模型 | 第33-35页 |
| 2.4 基于多核处理器的并行计算 | 第35-45页 |
| 2.4.1 多核处理器发展现状 | 第35-36页 |
| 2.4.2 同构、异构多核结构 | 第36-37页 |
| 2.4.3 常见多核处理器分类 | 第37-42页 |
| 2.4.4 典型嵌入式异构多核并行计算系统 | 第42-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第3章 异构多核体系结构及程序执行模型 | 第47-57页 |
| 3.1 异构多核系统体系结构模型 | 第47-50页 |
| 3.1.1 异构多核系统应用需求 | 第47-48页 |
| 3.1.2 CPU-多核加速器体系结构模型 | 第48-50页 |
| 3.2 CPU-多核加速器体系结构的的多核通讯架构 | 第50-52页 |
| 3.2.1 CPU-加速器间通讯架构 | 第50-51页 |
| 3.2.2 多核加速器内部通讯架构 | 第51-52页 |
| 3.3 基于任务集合的模块化异构多核程序执行模型 | 第52-54页 |
| 3.3.1 程序执行模型结构 | 第52-53页 |
| 3.3.2 任务单元的多核映射策略 | 第53-54页 |
| 3.3.3 任务单元间协同工作流程 | 第54页 |
| 3.4 本章小结 | 第54-57页 |
| 第4章 面向多核系统的典型机器学习算法并行化技术 | 第57-75页 |
| 4.1 机器学习概述 | 第57-60页 |
| 4.2 机器学习算法并行化策略分析 | 第60-62页 |
| 4.3 典型机器学习并行化算法设计 | 第62-68页 |
| 4.3.1 基于数据并行的AdaBoost分类并行化 | 第62-64页 |
| 4.3.2 基于稀疏与数据并行的SVM训练并行化 | 第64-66页 |
| 4.3.3 基于模型并行的多层感知机预测并行化 | 第66-68页 |
| 4.4 实验与分析 | 第68-72页 |
| 4.4.1 AdaBoost分类识别并行化实验 | 第68-69页 |
| 4.4.2 SVM训练并行化实验 | 第69-71页 |
| 4.4.3 多层感知机预测并行化实验 | 第71-72页 |
| 4.5 本章小结 | 第72-75页 |
| 第5章 基于Parallella的可扩展并行机器学习算法 | 第75-97页 |
| 5.1 异构多核机器学习实现技术概述 | 第75-76页 |
| 5.2 面向Parallella的机器学习并行算法设计 | 第76-86页 |
| 5.2.1 基于Adaboost的并行目标检测 | 第76-81页 |
| 5.2.2 基于SVM的并行训练 | 第81-82页 |
| 5.2.3 基于多层感知机的并行字符识别 | 第82-86页 |
| 5.3 基于MPI的Parallella集群扩展技术 | 第86-88页 |
| 5.3.1 二级并行系统模型 | 第86-88页 |
| 5.3.2 扩展性度量指标 | 第88页 |
| 5.4 实验与分析 | 第88-94页 |
| 5.4.1 基于Adaboost的人脸检测并行加速系统实验 | 第89-91页 |
| 5.4.2 基于SVM的并行加速学习系统实验 | 第91-92页 |
| 5.4.3 基于多层感知机的字符识别并行加速系统实验 | 第92-93页 |
| 5.4.4 基于MPI的可扩展人脸检测系统实验 | 第93-94页 |
| 5.5 本章小结 | 第94-97页 |
| 第6章 基于Parallella的卷积神经网络并行化技术 | 第97-107页 |
| 6.1 基于卷积神经网络的深度学习方法 | 第97-100页 |
| 6.1.1 卷积神经网络 | 第98-99页 |
| 6.1.2 Caffe深度学习平台 | 第99-100页 |
| 6.2 卷积神经网络Parallella多核加速框架 | 第100-104页 |
| 6.2.1 框架基本架构 | 第101-102页 |
| 6.2.2 并行化算法 | 第102-103页 |
| 6.2.3 数据存储与传输策略 | 第103-104页 |
| 6.2.4 Epiphany代码生成器 | 第104页 |
| 6.3 实验与分析 | 第104-105页 |
| 6.4 本章小结 | 第105-107页 |
| 第7章 基于Parallella的机器学习应用快速开发框架PML-RADF | 第107-127页 |
| 7.1 系统架构 | 第107-109页 |
| 7.2 关键模块及算法 | 第109-112页 |
| 7.2.1 核心算法库 | 第109-110页 |
| 7.2.2 数据维护层 | 第110页 |
| 7.2.3 任务调度层 | 第110-111页 |
| 7.2.4 通信适配层 | 第111页 |
| 7.2.5 Epiphany代码生成器 | 第111-112页 |
| 7.3 基于Parallella的快速人脸识别系统应用实例 | 第112-119页 |
| 7.3.1 系统硬件结构 | 第113-114页 |
| 7.3.2 系统软件设计 | 第114-117页 |
| 7.3.3 系统可扩展性设计 | 第117-119页 |
| 7.4 实验与分析 | 第119-125页 |
| 7.4.1 单板人脸识别系统实验 | 第121-124页 |
| 7.4.2 集群人脸识别系统实验 | 第124-125页 |
| 7.5 本章小结 | 第125-127页 |
| 结论与展望 | 第127-131页 |
| 参考文献 | 第131-141页 |
| 攻读博士学位期间取得的研究成果 | 第141-145页 |
| 致谢 | 第145页 |
