基于人工神经网络和GPU加速的手写数字识别并行算法
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 手写体数字识别综述 | 第10-17页 |
| ·手写体数字的研究背景 | 第10-12页 |
| ·字符识别的发展 | 第10页 |
| ·手写数字识别的应用 | 第10-11页 |
| ·手写数字识别的意义 | 第11-12页 |
| ·手写数字识别的一般方法 | 第12-14页 |
| ·识别流程 | 第12页 |
| ·识别方法 | 第12-14页 |
| ·手写数字数据库 MNIST | 第14页 |
| ·手写数字识别的技术难点 | 第14-16页 |
| ·技术难点 | 第14-15页 |
| ·精度 | 第15页 |
| ·速度 | 第15-16页 |
| ·本文的识别方法 | 第16-17页 |
| 2 基于 GPU的通用计算技术 | 第17-27页 |
| ·GPU的发展及特点 | 第17-20页 |
| ·GPU的发展 | 第17-18页 |
| ·GPU通用计算的特点 | 第18-20页 |
| ·GPU通用计算的应用与发展现状 | 第20-22页 |
| ·GPU通用计算的应用 | 第20页 |
| ·GPU通用计算的发展现状 | 第20-22页 |
| ·GPU通用计算的限制 | 第22-23页 |
| ·CUDA简介 | 第23-27页 |
| ·什么是 CUDA | 第23-26页 |
| ·CUDA性能 | 第26-27页 |
| 3 基于人工神经网络的手写数字识别 | 第27-47页 |
| ·神经网络基础理论 | 第27-30页 |
| ·基本结构 | 第27-28页 |
| ·前向反馈和作用函数 | 第28-29页 |
| ·后向反馈 | 第29-30页 |
| ·脑回路神经网络 | 第30-32页 |
| ·脑回路神经网络基本原理 | 第30页 |
| ·脑回路神经网络结构 | 第30-32页 |
| ·训练 | 第32-36页 |
| ·基本训练 | 第32-34页 |
| ·加快训练速度的方法 | 第34-36页 |
| ·实验 | 第36-45页 |
| ·图形界面说明 | 第36-39页 |
| ·神经网络性能分析 | 第39-45页 |
| ·结果分析 | 第45-47页 |
| 4 GPU加速识别过程 | 第47-54页 |
| ·CUDA编程 | 第47-48页 |
| ·识别过程在 GPU上的并行 | 第48-50页 |
| ·L5CANN在 GPU上的并行模型 | 第48-49页 |
| ·如何使用Shared Memory优化 | 第49-50页 |
| ·移植 L5CANN识别过程 | 第50-52页 |
| ·变量定义 | 第50-51页 |
| ·GPUANN的工作流程 | 第51-52页 |
| ·实验结果分析 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |
