深度学习框架研究及初步实现
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 深度学习研究现状 | 第12-13页 |
| 1.2.1 深度学习在语音识别领域研究现状 | 第12页 |
| 1.2.2 深度学习在图像识别领域研究现状 | 第12-13页 |
| 1.2.3 深度学习在自然语言处理领域的现状 | 第13页 |
| 1.3 本文的结构安排如下 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 深度学习框架研究现状 | 第15-23页 |
| 2.1 Caffe | 第15-17页 |
| 2.2 TensorFlow | 第17-18页 |
| 2.3 Theano | 第18-20页 |
| 2.4 Torch | 第20-21页 |
| 2.5 Keras | 第21-22页 |
| 2.6 MXNet | 第22-23页 |
| 第3章 神经网络与GPU加速 | 第23-30页 |
| 3.1 单层感知器 | 第23-24页 |
| 3.2 多层感知器 | 第24-25页 |
| 3.3 前馈神经网络的反向传播算法 | 第25-26页 |
| 3.4 卷积神经网络 | 第26-27页 |
| 3.4.1 卷积神经网络简介 | 第26-27页 |
| 3.4.2 卷积神经网络的特点 | 第27页 |
| 3.5 CPU加速简介 | 第27-29页 |
| 3.6 CUDA并行模式 | 第29-30页 |
| 第4章 scnn的总体设计与模块设计 | 第30-47页 |
| 4.1 scnn的设计思路 | 第30页 |
| 4.2 基本数据类型matrix | 第30-31页 |
| 4.3 基本模块layer的设计 | 第31-41页 |
| 4.3.1 convolLayer的设计与实现 | 第34-38页 |
| 4.3.2 poolinglayer的设计与实现 | 第38-40页 |
| 4.3.3 其他layer简介 | 第40-41页 |
| 4.4 Net的设计和实现 | 第41-42页 |
| 4.5 神经网络模型的并行优化 | 第42页 |
| 4.6 GPU并行的两种方式 | 第42-46页 |
| 4.6.1 数据并行 | 第42-43页 |
| 4.6.2 任务并行 | 第43-44页 |
| 4.6.3 全连接层的并行实现 | 第44-45页 |
| 4.6.4 基本运算的并行化 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第5章 系统测试与实验分析 | 第47-51页 |
| 5.1 测试的软硬件环境 | 第47页 |
| 5.2 功能测试及实验结果分析 | 第47-49页 |
| 5.2.1 功能测试的网络结构 | 第47-48页 |
| 5.2.2 功能测试结果 | 第48-49页 |
| 5.3 性能测试及实验结果与分析 | 第49-50页 |
| 5.3.1 性能测试的网络结构 | 第49页 |
| 5.3.2 测试结果与分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 作者简介 | 第56-57页 |
| 致谢 | 第57页 |
