基于分布式深度学习系统的视频动作识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 分布式深度学习系统的研究现状 | 第12-14页 |
| 1.2.2 视频动作识别的研究现状 | 第14-15页 |
| 1.3 本文的研究内容和思路 | 第15-17页 |
| 第2章 基于虚拟化的远程GPU调用 | 第17-24页 |
| 2.1 常见的虚拟化方法 | 第17-18页 |
| 2.2 基于虚拟化的单个远程GPU调用 | 第18-19页 |
| 2.3 实验过程与性能分析 | 第19-23页 |
| 2.3.1 远程GPU调用的实验方法 | 第19-21页 |
| 2.3.2 以LeNet网络为例的实验与分析 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于远程GPU调用的分布式深度学习系统 | 第24-50页 |
| 3.1 多GPU远程调用 | 第24-25页 |
| 3.2 分布式深度学习系统的架构 | 第25-35页 |
| 3.2.1 ZeroMQ的简介 | 第26-30页 |
| 3.2.2 ZeroMQ的分布式消息系统 | 第30-33页 |
| 3.2.3 基于分布式消息系统的虚拟化移植 | 第33-35页 |
| 3.3 分布式深度学习系统的改进 | 第35-39页 |
| 3.3.1 深度学习加速库cuDNN的虚拟化 | 第36-37页 |
| 3.3.2 P2P的改进 | 第37-38页 |
| 3.3.3 关于网络通信的优化 | 第38-39页 |
| 3.4 基于分布式深度学习系统的框架移植 | 第39-42页 |
| 3.4.1 常见的深度学习框架 | 第39-40页 |
| 3.4.2 以Mxnet为例的框架移植 | 第40-42页 |
| 3.5 分布式深度学习系统的实验过程与性能分析 | 第42-49页 |
| 3.5.1 分布式深度学习系统的实验与分析 | 第42-46页 |
| 3.5.2 分布式深度学习系统优化的实验与分析 | 第46-48页 |
| 3.5.3 深度学习框架移植的实验与分析 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 视频动作识别的分布式训练 | 第50-68页 |
| 4.1 视频动作识别的方法与改进 | 第50-55页 |
| 4.1.1 视频动作识别中的深度神经网络 | 第50-52页 |
| 4.1.2 视频动作识别的网络结构 | 第52-55页 |
| 4.2 视频动作识别模型的训练方法 | 第55-61页 |
| 4.2.1 单机单GPU训练的困境 | 第55-56页 |
| 4.2.2 训练方法中的技巧 | 第56-57页 |
| 4.2.3 基于改进MapReduce的特征提取 | 第57-58页 |
| 4.2.4 数据并行和模型并行的分布式拓展 | 第58-61页 |
| 4.3 视频动作识别模型的实验过程与性能分析 | 第61-67页 |
| 4.3.1 视频特征提取的实验与分析 | 第62-64页 |
| 4.3.2 视频动作识别模型的分布式训练 | 第64-65页 |
| 4.3.3 视频动作识别的实验结果和分析 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 论文工作总结 | 第68-69页 |
| 5.2 论文工作展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第76页 |
