GPU通用计算在文本分类中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究的背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·文本分类的现状 | 第10页 |
| ·GPU 通用计算现状 | 第10-11页 |
| ·研究的主要内容 | 第11-12页 |
| ·论文的组织结构 | 第12-13页 |
| 第二章 文本分类相关理论与技术 | 第13-20页 |
| ·文本分类的主要流程 | 第13-14页 |
| ·文本预处理 | 第14-15页 |
| ·中文分词 | 第14页 |
| ·去停用词 | 第14-15页 |
| ·文本表示模型 | 第15页 |
| ·特征选择 | 第15-18页 |
| ·信息增益 | 第16页 |
| ·CHI 统计量 | 第16-17页 |
| ·互信息法 | 第17页 |
| ·文档频率法 | 第17-18页 |
| ·特征加权 | 第18页 |
| ·常用的文本分类算法 | 第18-19页 |
| ·KNN 算法 | 第18-19页 |
| ·朴素贝叶斯算法 | 第19页 |
| ·支持向量机 | 第19页 |
| ·人工神经网络 | 第19页 |
| ·本章总结 | 第19-20页 |
| 第三章 GPU 概述及 CUDA 编程 | 第20-33页 |
| ·GPU 通用计算概述和 CUDA 简介 | 第20-22页 |
| ·GPU 通用计算概述 | 第20-21页 |
| ·CUDA 概述 | 第21-22页 |
| ·CUDA 编程模型 | 第22-23页 |
| ·CUDA 的线程结构 | 第23-25页 |
| ·CUDA 存储器模型 | 第25-27页 |
| ·寄存器和本地存储器 | 第26页 |
| ·共享存储器 | 第26页 |
| ·设备存储器 | 第26-27页 |
| ·CUDA 软件体系 | 第27-30页 |
| ·CUDA C 语言 | 第28-29页 |
| ·nvcc 编译器 | 第29-30页 |
| ·运行时 API 与驱动 API | 第30页 |
| ·CUDA 中的代码优化策略 | 第30-31页 |
| ·CUDA 的缺点 | 第31-32页 |
| ·本章总结 | 第32-33页 |
| 第四章 基于 GPU 的 KNN 文本分类算法 | 第33-43页 |
| ·KNN 算法的基本原理 | 第33-34页 |
| ·文本相似度 | 第34-35页 |
| ·基于 GPU 的相似度计算 | 第35-40页 |
| ·基于 GPU 的排序算法 | 第40-42页 |
| ·本章总结 | 第42-43页 |
| 第五章 实验与分析 | 第43-50页 |
| ·实验环境 | 第43页 |
| ·实验结果与分析 | 第43-50页 |
| 第六章 总结与展望 | 第50-51页 |
| ·本文工作总结 | 第50页 |
| ·未来工作的展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间科研成果 | 第55页 |
