基于GPU的深度学习算法并行化研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 深度学习的研究现状 | 第10-11页 |
| 1.2.2 硬件加速的研究现状 | 第11-12页 |
| 1.2.3 GPU并行计算的研究现状 | 第12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 常见的深度学习网络结构 | 第14-25页 |
| 2.1 人工神经网络 | 第14-18页 |
| 2.1.1 概述 | 第14页 |
| 2.1.2 神经网络结构 | 第14-17页 |
| 2.1.3 反向传播算法 | 第17-18页 |
| 2.2 卷积神经网络 | 第18-24页 |
| 2.2.1 稀疏连接和权值共享 | 第18-20页 |
| 2.2.2 卷积神经网络结构 | 第20-22页 |
| 2.2.3 卷积神经网络的反向传播 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 GPU通用计算和CUDA技术 | 第25-32页 |
| 3.1 图形处理器GPU | 第25-27页 |
| 3.1.1 GPU简介 | 第25页 |
| 3.1.2 GPU通用计算 | 第25-26页 |
| 3.1.3 GPU与CPU | 第26-27页 |
| 3.2 CUDA技术简介 | 第27-31页 |
| 3.2.1 CUDA线程结构 | 第27-28页 |
| 3.2.2 CUDA存储结构 | 第28-30页 |
| 3.2.3 CUDA编程模型 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于GPU的深度学习算法并行化 | 第32-43页 |
| 4.1 卷积神经网络并行化的关键技术 | 第32-35页 |
| 4.1.1 卷积展开成矩阵乘法 | 第32-34页 |
| 4.1.2 激活函数ReLU | 第34-35页 |
| 4.2 基于GPU的卷积神经网络设计与实现 | 第35-39页 |
| 4.2.1 卷积层的实现 | 第35-37页 |
| 4.2.2 采样层的实现 | 第37-38页 |
| 4.2.3 激活层与全连接层的实现 | 第38-39页 |
| 4.3 网络模型初始化和训练过程 | 第39-42页 |
| 4.3.1 网络结构搭建 | 第39页 |
| 4.3.2 数据预处理和参数初始化 | 第39-40页 |
| 4.3.3 网络训练过程 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 性能测试与结果分析 | 第43-55页 |
| 5.1 实验环境与测试方法设计 | 第43-44页 |
| 5.2 LeNet-5上的实验 | 第44-47页 |
| 5.2.1 LeNet-5网络模型 | 第44页 |
| 5.2.2 MNIST数据集 | 第44-45页 |
| 5.2.3 实验结果分析 | 第45-47页 |
| 5.3 CIFAR-10网络模型的实验 | 第47-49页 |
| 5.3.1 CIFAR-10网络模型 | 第47页 |
| 5.3.2 CIFAR-10数据集 | 第47-48页 |
| 5.3.3 实验结果分析 | 第48-49页 |
| 5.4 AlexNet网络模型的实验 | 第49-54页 |
| 5.4.1 AlexNet网络模型 | 第49-50页 |
| 5.4.2 ImageNet数据集简介 | 第50-51页 |
| 5.4.3 实验结果分析 | 第51-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| 6.1 论文总结 | 第55页 |
| 6.2 未来工作展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士期间取得的科研成果 | 第61页 |
