| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要工作 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 深度学习和节能研究基础 | 第16-33页 |
| 2.1 深度学习 | 第16-24页 |
| 2.1.1 神经网络 | 第16-19页 |
| 2.1.2 应用领域 | 第19-20页 |
| 2.1.3 深度学习框架 | 第20-21页 |
| 2.1.4 分布式深度学习 | 第21-24页 |
| 2.2 节能相关研究 | 第24-32页 |
| 2.2.1 深度学习节能挑战 | 第24-27页 |
| 2.2.2 深度学习节能研究 | 第27-29页 |
| 2.2.3 基于虚拟机服务器整合节能 | 第29页 |
| 2.2.4 基于容器化资源整合节能基础 | 第29-32页 |
| 2.3 本章总结 | 第32-33页 |
| 第三章 深度学习任务动态节能研究 | 第33-44页 |
| 3.1 节能可行性研究 | 第33-34页 |
| 3.1.1 问题的解决思路 | 第33页 |
| 3.1.2 方案可行性分析 | 第33-34页 |
| 3.2 能耗的度量模型 | 第34-38页 |
| 3.2.1 能耗分析 | 第34-37页 |
| 3.2.2 基准能耗 | 第37-38页 |
| 3.2.3 节能分析 | 第38页 |
| 3.3 深度学习任务负载模型 | 第38-41页 |
| 3.3.1 负载模型 | 第38-39页 |
| 3.3.2 优化负载模型 | 第39-40页 |
| 3.3.3 数据采集 | 第40-41页 |
| 3.4 GPU集群动态节能算法 | 第41-43页 |
| 3.4.1 最小负载算法原型 | 第41页 |
| 3.4.2 最小负载算法改进应用 | 第41页 |
| 3.4.3 算法的防抖动系数的引入 | 第41-42页 |
| 3.4.4 算法伪代码 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 深度学习容器化资源调度最小能耗研究 | 第44-64页 |
| 4.1 深度学习容器化资源最小能耗调度问题 | 第44-46页 |
| 4.1.1 问题的背景 | 第44-45页 |
| 4.1.2 问题的提出 | 第45-46页 |
| 4.1.3 场景分析 | 第46页 |
| 4.2 基于容器的深度学习任务最小能耗整合核心问题 | 第46-51页 |
| 4.2.1 多容器整合方案 | 第46-48页 |
| 4.2.2 服务器系统的总能耗 | 第48页 |
| 4.2.3 容器迁移代价和迁移能耗 | 第48-51页 |
| 4.3 基于容器的深度学习任务整合算法 | 第51-63页 |
| 4.3.1 选择算法对比 | 第51-52页 |
| 4.3.2 分配算法对比 | 第52-53页 |
| 4.3.3 整合解决思路 | 第53-55页 |
| 4.3.4 装箱算法分析 | 第55-57页 |
| 4.3.5 装箱算法应用 | 第57-58页 |
| 4.3.6 算法整合和优化 | 第58-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 节能测试和分析 | 第64-77页 |
| 5.1 测试基础介绍 | 第64-65页 |
| 5.1.1 测试平台 | 第64页 |
| 5.1.2 测试数据集 | 第64-65页 |
| 5.2 动态节能管理测试 | 第65-69页 |
| 5.2.1 测试用例 | 第65页 |
| 5.2.2 测试过程 | 第65页 |
| 5.2.3 结果和分析 | 第65-69页 |
| 5.3 多容器深度学习任务整合测试 | 第69-76页 |
| 5.3.1 实验介绍 | 第69-70页 |
| 5.3.2 测试设计 | 第70-71页 |
| 5.3.3 容器迁移能耗实验分析 | 第71-73页 |
| 5.3.4 多容器整合方案验证 | 第73-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 总结和展望 | 第77-79页 |
| 6.1 总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |