| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 性能模型研究现状 | 第17-18页 |
| 1.2.2 OpenCL的性能优化以及可移植性研究现状 | 第18-19页 |
| 1.2.3 卷积神经网络的并行化研究现状 | 第19页 |
| 1.3 主要研究内容与创新 | 第19-20页 |
| 1.4 本文组织结构 | 第20-22页 |
| 第二章 GPU硬件架构与并行编程框架 | 第22-34页 |
| 2.1 GPU硬件架构 | 第22-23页 |
| 2.2 并行编程框架 | 第23-30页 |
| 2.2.1 CUDA | 第23-26页 |
| 2.2.2 OpenCL | 第26-29页 |
| 2.2.3 CUDA与OpenCL编程框架对比 | 第29-30页 |
| 2.3 性能模型 | 第30-31页 |
| 2.4 神经网络 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于GPU架构的OpenCL自调优性能模型研究 | 第34-52页 |
| 3.1 引言 | 第34页 |
| 3.2 影响GPU程序性能的因素分析 | 第34-36页 |
| 3.3 基于GPU架构的自调优性能模型 | 第36-43页 |
| 3.3.1 基于GPU架构的自调优性能模型设计 | 第36-37页 |
| 3.3.2 基于GPU架构的OpenCL自调优性能模型实现 | 第37-43页 |
| 3.4 搜索空间优化 | 第43-45页 |
| 3.5 实验结果与分析 | 第45-50页 |
| 3.5.1 实验环境 | 第45页 |
| 3.5.2 benchmark算法介绍以及调优参数取值范围 | 第45-46页 |
| 3.5.3 基于OpenCL的自调优性能模型可移植性验证 | 第46-48页 |
| 3.5.4 基于CUDA的自调优性能模型实验结果 | 第48-49页 |
| 3.5.5 基于CUDA和OpenCL的性能模型实验结果分析 | 第49页 |
| 3.5.6 搜索空间优化实验结果分析 | 第49-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 基于OpenCL的并行卷积神经网络性能模型研究 | 第52-74页 |
| 4.1 引言 | 第52页 |
| 4.2 卷积神经网络算法的耗时性分析 | 第52-53页 |
| 4.3 并行卷积神经网络卷积算子的性能模型 | 第53-60页 |
| 4.3.1 卷积算子的运算强度分析 | 第53-54页 |
| 4.3.2 基于OpenCL的并行卷积算子性能模型设计 | 第54-55页 |
| 4.3.3 基于OpenCL的并行卷积算子性能模型实现 | 第55-60页 |
| 4.4 实验结果与分析 | 第60-72页 |
| 4.4.1 实验环境与实验设计 | 第60页 |
| 4.4.2 图像大小和卷积核大小对GPU平台运算强度的影响 | 第60-62页 |
| 4.4.3 每个配置参数对性能的影响 | 第62-65页 |
| 4.4.4 基于CUDA的并行卷积算子性能模型 | 第65-67页 |
| 4.4.5 并行卷积算子性能模型测试以及可移植性分析 | 第67-69页 |
| 4.4.6 卷积算子两种计算方法的选择 | 第69-71页 |
| 4.4.7 搜索空间优化实验结果分析 | 第71-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
