Caffe应用在主从式加速器上的内存管理与性能优化
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-13页 |
| 1.1.1 异构计算 | 第11-12页 |
| 1.1.2 深度学习 | 第12-13页 |
| 1.2 课题研究现状 | 第13-16页 |
| 1.2.1 典型深度学习框架 | 第14-15页 |
| 1.2.2 CNN加速器研究 | 第15-16页 |
| 1.2.3 加速器的管理 | 第16页 |
| 1.3 本文工作和创新点 | 第16-18页 |
| 1.3.1 本文工作 | 第16-17页 |
| 1.3.2 创新点 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 深度学习框架Caffe和CNN加速器 | 第19-34页 |
| 2.1 深度学习之CNN | 第19-24页 |
| 2.1.1 人工神经网络 | 第19-20页 |
| 2.1.2 卷积神经网络 | 第20-24页 |
| 2.2 深度学习框架Caffe | 第24-27页 |
| 2.2.1 Caffe简介 | 第24-25页 |
| 2.2.2 Caffe结构分析 | 第25-27页 |
| 2.3 Caffe性能评测分析 | 第27-29页 |
| 2.4 基于FPGA的CNN加速器 | 第29-33页 |
| 2.4.1 Zynq体系结构 | 第30-31页 |
| 2.4.2 硬件加速器设计 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 CNN加速器内存管理设计与实现 | 第34-47页 |
| 3.1 内存共享基础设施 | 第34-35页 |
| 3.2 共享空间模型 | 第35-38页 |
| 3.2.1 加速器使用面临的困难 | 第36页 |
| 3.2.2 统一的虚存空间 | 第36-38页 |
| 3.3 内存分配策略 | 第38-41页 |
| 3.3.1 内存的分配与释放 | 第39-40页 |
| 3.3.2 内存分配中问题的解决 | 第40-41页 |
| 3.4 数据一致性 | 第41-44页 |
| 3.5 实验测试 | 第44-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 Caffe的实现与性能优化 | 第47-60页 |
| 4.1 原型平台上的Caffe实现 | 第47-51页 |
| 4.1.1 Caffe中卷积的实现 | 第47-48页 |
| 4.1.2 Caffe的加速实现 | 第48-51页 |
| 4.2 评测环境 | 第51-52页 |
| 4.2.1 硬件测试平台 | 第51-52页 |
| 4.2.2 软件支持 | 第52页 |
| 4.3 Caffe的性能评测 | 第52-55页 |
| 4.3.1 Caffe各层的性能评估 | 第52-53页 |
| 4.3.2 映射缓存的评测 | 第53-54页 |
| 4.3.3 时间开销 | 第54-55页 |
| 4.3.4 Caffe应用的评测 | 第55页 |
| 4.4 原型系统设计与实现 | 第55-59页 |
| 4.4.1 硬件设备 | 第56页 |
| 4.4.2 原型系统工作流程 | 第56-57页 |
| 4.4.3 系统效果展示 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60页 |
| 5.2 未来研究方向 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者在学期间取得的学术成果 | 第68页 |
