| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 语音识别研究现状与分析 | 第10-13页 |
| 1.2.2 深度学习模型训练效率研究研究现状与分析 | 第13-15页 |
| 1.3 本文的主要工作 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 2 语音识别及深度学习相关技术分析 | 第17-33页 |
| 2.1 语音识别概述 | 第17页 |
| 2.2 语音信号的预处理 | 第17-19页 |
| 2.3 语音识别的处理流程 | 第19-23页 |
| 2.4 深度学习模型 | 第23-27页 |
| 2.5 深度学习模型的训练优化技术 | 第27-31页 |
| 2.5.1 深度学习模型结构的优化 | 第27-29页 |
| 2.5.2 深度学习模型的并行化训练 | 第29-31页 |
| 2.6 GPU和CUDA编程模型简介 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 3 基于记忆模块的深度置信网络的语音识别研究 | 第33-45页 |
| 3.1 基于记忆模块的深度置信网络 | 第33-35页 |
| 3.2 DBNMM模型的记忆模块结构 | 第35-36页 |
| 3.3 基于步幅的DBNMM模型 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-44页 |
| 3.4.1 实验环境建立 | 第37-39页 |
| 3.4.2 DBNMM模型的性能实验 | 第39-40页 |
| 3.4.3 DBNMM模型的参数调整实验 | 第40-42页 |
| 3.4.4 基于步幅的DBNMM模型的性能实验 | 第42-43页 |
| 3.4.5 DBNMM模型的可扩展性实验 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 基于GPU及DBNMM模型的快速语音数据处理 | 第45-60页 |
| 4.1 记忆模块的GPU实现 | 第45-47页 |
| 4.2 DBNMM模型的单GPU实现 | 第47-51页 |
| 4.2.1 基于权重矩阵分片的单GPU实现 | 第47-50页 |
| 4.2.2 基于流并行的单GPU实现 | 第50-51页 |
| 4.3 基于DM-ASGD算法的DBNMM模型的多GPU实现 | 第51-54页 |
| 4.4 实验结果与分析 | 第54-59页 |
| 4.4.1 基于权重矩阵分片方法的DBNMM模型的训练效率实验 | 第54-55页 |
| 4.4.2 基于单GPU的DBNMM模型的参数调整实验 | 第55-56页 |
| 4.4.3 基于GPU的DBNMM模型的训练效率实验 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间发表的学术论文 | 第67-68页 |
| 致谢 | 第68-69页 |
