面向深层神经网络的并行化方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 高性能计算研究现状 | 第11-13页 |
| 1.2.2 神经网络并行方法研究现状 | 第13-15页 |
| 1.3 论文主要研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 相关工作与理论基础 | 第18-30页 |
| 2.1 深层神经网络概述 | 第18-20页 |
| 2.1.1 传统神经网络简介 | 第18-19页 |
| 2.1.2 深层神经网络简介 | 第19-20页 |
| 2.2 深层神经网络的主要模型 | 第20-27页 |
| 2.2.1 卷积神经网络模型 | 第20-21页 |
| 2.2.2 卷积神经网络的结构 | 第21-24页 |
| 2.2.3 RBM模型与DBN模型 | 第24-27页 |
| 2.3 并行编程模型介绍 | 第27-28页 |
| 2.3.1 OpenMP并行模型 | 第27-28页 |
| 2.3.2 MPI并行模型 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 CNN模型分析及优化 | 第30-41页 |
| 3.1 CNN处理过程及分析 | 第30-33页 |
| 3.1.1 CNN卷积运算过程 | 第30-32页 |
| 3.1.2 CNN过度拟合现象 | 第32-33页 |
| 3.2 CNN卷积核结构优化 | 第33-36页 |
| 3.2.1 可分离卷积核的线性组合模型 | 第33-35页 |
| 3.2.2 改进后卷积核模型分析 | 第35-36页 |
| 3.3 针对过度拟合的网络优化 | 第36-39页 |
| 3.3.1 数据前处理 | 第36页 |
| 3.3.2 卷积神经网络模型压缩 | 第36-38页 |
| 3.3.3 参数的正则化处理 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 CNN并行模型建立方法 | 第41-54页 |
| 4.1 并行编程模型 | 第41-47页 |
| 4.1.1 OpenMP并行方法 | 第41-44页 |
| 4.1.2 MPI并行方法 | 第44-45页 |
| 4.1.3 混合编程模型及方法 | 第45-47页 |
| 4.2 基于并行编程的CNN并行化方法 | 第47-52页 |
| 4.2.1 基于OpenMP的CNN并行化方法 | 第47-49页 |
| 4.2.2 基于MPI的CNN并行化方法 | 第49-51页 |
| 4.2.3 基于混合编程模型的CNN并行化方法 | 第51-52页 |
| 4.3 本章小结 | 第52-54页 |
| 第5章 实验结果及分析 | 第54-62页 |
| 5.1 实验环境 | 第54页 |
| 5.2 实验数据集与模型 | 第54-56页 |
| 5.2.1 实验数据集 | 第54-55页 |
| 5.2.2 实验模型 | 第55-56页 |
| 5.3 并行算法性能评价标准 | 第56-57页 |
| 5.4 实验及分析 | 第57-61页 |
| 5.4.1 单CPU上的CNN模型实验分析 | 第57-58页 |
| 5.4.2 基于OpenMP的CNN并行实验分析 | 第58-59页 |
| 5.4.3 基于MPI的CNN并行实验分析 | 第59-60页 |
| 5.4.4 集群上的实验结果及分析 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-70页 |
| 致谢 | 第70页 |
