| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景及选题依据 | 第11-14页 |
| 1.1.1 异构嵌入式平台 | 第11-12页 |
| 1.1.2 深度学习及图像分类 | 第12-13页 |
| 1.1.3 三维模型识别 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 异构体系结构及其编程 | 第14-15页 |
| 1.2.2 卷积神经网络及其优化的相关研究 | 第15-16页 |
| 1.2.3 深度学习框架相关现状 | 第16-17页 |
| 1.3 本文主要工作和创新点 | 第17-18页 |
| 1.3.1 本文工作 | 第17-18页 |
| 1.3.2 本文创新点 | 第18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第二章 深度学习概念基础与TegraX1体系结构 | 第20-33页 |
| 2.1 深度学习概念 | 第20-21页 |
| 2.2 深度学习框架 | 第21-25页 |
| 2.2.1 Caffe | 第21-22页 |
| 2.2.2 MXNet | 第22-24页 |
| 2.2.3 DarkNet | 第24-25页 |
| 2.3 卷积神经网络概述 | 第25-28页 |
| 2.3.1 卷积层 | 第25-26页 |
| 2.3.2 池化层 | 第26-27页 |
| 2.3.3 多核卷积 | 第27页 |
| 2.3.4 经典卷积神经网络 | 第27-28页 |
| 2.4 嵌入式平台Jetson TX1 | 第28-32页 |
| 2.4.1 TX1CPU体系结构 | 第29-30页 |
| 2.4.2 MaxwellGPU | 第30-31页 |
| 2.4.3 平台开发与应用 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于嵌入式GPU的Darknet二维图像卷积网络的前向优化 | 第33-50页 |
| 3.1 卷积神经网络前向耗时分析 | 第33-35页 |
| 3.2 面向嵌入式GPU的直接卷积算法优化 | 第35-41页 |
| 3.2.1 卷积实现方法分析 | 第35-37页 |
| 3.2.2 直接卷积法串行实现 | 第37-38页 |
| 3.2.3 计算任务划分 | 第38-39页 |
| 3.2.4 存储优化 | 第39-41页 |
| 3.3 基于cuDNN的卷积层实现 | 第41-44页 |
| 3.3.1 cuDNN计算库 | 第41-42页 |
| 3.3.2 cuDNN实现细节 | 第42-44页 |
| 3.4 优化性能评测与分析 | 第44-49页 |
| 3.4.1 实验设计 | 第44-45页 |
| 3.4.2 各卷积层性能评测 | 第45-46页 |
| 3.4.3 框架应用评测 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于DarkNet的三维模型分类的前向支持与优化 | 第50-64页 |
| 4.1 三维模型分类 | 第50-53页 |
| 4.1.1 三维模型卷积操作及分析 | 第50-51页 |
| 4.1.2 三维模型输入预处理 | 第51-53页 |
| 4.2 基于DarkNet实现三维模型卷积网络 | 第53-57页 |
| 4.2.1 网络描述 | 第54页 |
| 4.2.2 网络权值和输入数据读入 | 第54-55页 |
| 4.2.4 三维卷积层 | 第55-57页 |
| 4.2.5 最大池化层与全连接层 | 第57页 |
| 4.3 基于GPU的三维卷积层优化 | 第57-59页 |
| 4.4 网络前向性能评测 | 第59-62页 |
| 4.4.1 实验数据集 | 第59页 |
| 4.4.2 实验网络结构 | 第59-60页 |
| 4.4.3 网络功能验证 | 第60-61页 |
| 4.4.4 卷积层存储开销 | 第61-62页 |
| 4.4.5 网络各层性能评测 | 第62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-67页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者在学期间取得的学术成果 | 第73页 |