TensorFlow平台深度学习任务的资源调度问题研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14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 相关技术介绍 | 第16-29页 |
| 2.1 深度学习相关技术 | 第16-19页 |
| 2.1.1 深度学习 | 第16-18页 |
| 2.1.2 TensorFlow深度学习框架 | 第18-19页 |
| 2.2 云计算相关技术 | 第19-25页 |
| 2.2.1 云计算架构 | 第19-20页 |
| 2.2.2 虚拟化技术 | 第20-23页 |
| 2.2.3 云计算体系结构和资源调度模型 | 第23-25页 |
| 2.3 典型的资源调度算法 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 改进粒子群算法 | 第29-44页 |
| 3.1 启发式算法 | 第29页 |
| 3.2 粒子群算法 | 第29-36页 |
| 3.2.1 粒子群算法的数学描述 | 第30-32页 |
| 3.2.2 粒子群算法的实现 | 第32-34页 |
| 3.2.3 粒子群算法的参数与组成分析 | 第34-36页 |
| 3.2.4 粒子群算法的优缺点 | 第36页 |
| 3.3 粒子群算法的改进 | 第36-41页 |
| 3.4 改进粒子群算法的性能分析 | 第41-42页 |
| 3.5 粒子群算法应用资源调度的可行性分析 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 资源调度策略分析与设计 | 第44-63页 |
| 4.1 TensorFlow深度学习任务分析 | 第44-51页 |
| 4.1.1 深度学习应用思路 | 第44-45页 |
| 4.1.2 深度学习的主资源分析 | 第45-47页 |
| 4.1.3 深度学习任务的执行时间预估 | 第47-50页 |
| 4.1.4 TensorFlow模型的保存与恢复 | 第50-51页 |
| 4.2 调度算法的性能评价指标 | 第51页 |
| 4.3 云深度学习平台的资源调度算法 | 第51-56页 |
| 4.3.1 调度问题描述 | 第52-53页 |
| 4.3.2 适应度函数 | 第53-54页 |
| 4.3.3 粒子的编码方式 | 第54-55页 |
| 4.3.4 粒子初始化过程 | 第55-56页 |
| 4.3.5 应用算法的执行流程 | 第56页 |
| 4.4 GPU服务器的资源调度策略 | 第56-62页 |
| 4.4.1 GPU的硬件指标 | 第57-58页 |
| 4.4.2 TensorFlow使用GPU的方式 | 第58-60页 |
| 4.4.3 GPU服务器的资源调度策略 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 实验验证与分析 | 第63-74页 |
| 5.1 CloudSim概述 | 第63-66页 |
| 5.1.1 CloudSim体系结构 | 第63-64页 |
| 5.1.2 CloudSim系统的调度模型 | 第64-65页 |
| 5.1.3 仿真实验的实现过程 | 第65-66页 |
| 5.2 改进后的粒子群算法在云平台资源调度的应用 | 第66-69页 |
| 5.2.1 实验环境 | 第66页 |
| 5.2.2 实验结果与分析 | 第66-69页 |
| 5.3 多卡多任务下GPU资源调度策略 | 第69-73页 |
| 5.3.1 实验环境 | 第69页 |
| 5.3.2 实验结果分析 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
