适用于深度学习的数据预处理并行算法实现及性能优化
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 图像并行处理研究现状 | 第12-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.3 主要研究内容及创新点 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15页 |
| 1.3.3 创新点 | 第15-17页 |
| 第二章 并行处理技术 | 第17-29页 |
| 2.1 并行技术概述 | 第17-18页 |
| 2.2 并行体系结构 | 第18-21页 |
| 2.2.1 传统并行体系结构 | 第18页 |
| 2.2.2 以多核为主流的体系结构 | 第18-19页 |
| 2.2.3 异构众核的体系结构 | 第19-20页 |
| 2.2.4 大规模服务器集群 | 第20-21页 |
| 2.3 并行算法分析 | 第21-23页 |
| 2.3.1 并行算法概述 | 第21-22页 |
| 2.3.2 数值并行算法 | 第22-23页 |
| 2.4 常见的多核并行模型 | 第23-28页 |
| 2.4.1 多核的并行模型概述 | 第23页 |
| 2.4.2 OPENMP | 第23-25页 |
| 2.4.3 MPI | 第25-27页 |
| 2.4.4 TBB | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 面向深度学习的数据预处理要求及方法 | 第29-35页 |
| 3.1 面向深度学习的数据预处理概述 | 第29页 |
| 3.2 深度学习的数据特点 | 第29-31页 |
| 3.2.1 数据样本集选取 | 第29-30页 |
| 3.2.2 数据格式选取 | 第30-31页 |
| 3.3 面向深度学习的数据处理方法 | 第31-34页 |
| 3.3.1 数据扩增 | 第31-33页 |
| 3.3.2 图像质量优化 | 第33-34页 |
| 3.3.3 采用并行技术提高运算速度 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 数据预处理的并行算法及性能优化 | 第35-48页 |
| 4.1 构建海浪样本数据集流程 | 第35-40页 |
| 4.1.1 数据来源 | 第35页 |
| 4.1.2 海浪视频预处理 | 第35-37页 |
| 4.1.3 海浪图片预处理 | 第37-40页 |
| 4.2 海浪样本数据集的并行处理 | 第40-42页 |
| 4.2.1 OpenMP并行化方法 | 第40页 |
| 4.2.2 并行算法设计 | 第40-41页 |
| 4.2.3 算法流程 | 第41-42页 |
| 4.3 适用于海浪样本数据集的并行算法性能优化 | 第42-47页 |
| 4.3.1 影响并行性能的因素 | 第42-43页 |
| 4.3.2 并行域的合并 | 第43-45页 |
| 4.3.3 负载均衡 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 实验结果与分析 | 第48-54页 |
| 5.1 实验支撑环境 | 第48页 |
| 5.2 并行计算性能衡量 | 第48-49页 |
| 5.2.1 并行计算性能评价指标 | 第48页 |
| 5.2.2 并行执行时间 | 第48-49页 |
| 5.2.3 并行加速比与效率 | 第49页 |
| 5.3 数据预处理在深度学习中实验对比 | 第49-50页 |
| 5.4 并行模型的实验对比 | 第50-52页 |
| 5.5 本章小结 | 第52-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 附录 | 第58-60页 |
| 致谢 | 第60页 |
