面向分布式机器学习的通信动态调优技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 机器学习系统 | 第13-14页 |
| 1.2.2 参数通信调优策略 | 第14-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 组织结构 | 第17-18页 |
| 第二章 相关理论基础 | 第18-32页 |
| 2.1 梯度下降算法 | 第18-23页 |
| 2.1.1 概述 | 第18-20页 |
| 2.1.2 随机梯度下降算法 | 第20-22页 |
| 2.1.3 并行随机梯度下降算法 | 第22-23页 |
| 2.2 人工神经网络 | 第23-27页 |
| 2.2.1 反向传播算法 | 第24-26页 |
| 2.2.2 卷积神经网络 | 第26-27页 |
| 2.3 参数服务器系统 | 第27-30页 |
| 2.3.1 发展概述 | 第28-29页 |
| 2.3.2 关键技术 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 参数通信动态调优策略 | 第32-46页 |
| 3.1 延迟同步并行策略 | 第32-35页 |
| 3.1.1 概述 | 第32-33页 |
| 3.1.2 存在的问题 | 第33-35页 |
| 3.2 动态同步并行策略 | 第35-45页 |
| 3.2.1 策略设计 | 第35-37页 |
| 3.2.2 算法实现 | 第37-41页 |
| 3.2.3 理论证明 | 第41-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第四章 参数通信自适应调优策略 | 第46-56页 |
| 4.1 性能监测系统 | 第46-50页 |
| 4.1.1 系统模块 | 第46-48页 |
| 4.1.2 性能指标模型 | 第48-50页 |
| 4.2 自适应并行策略 | 第50-55页 |
| 4.2.1 自适应并行策略设计 | 第50-53页 |
| 4.2.2 自适应并行策略实现 | 第53-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第五章 实验结果分析 | 第56-72页 |
| 5.1 分布式机器学习框架Paracas | 第56-60页 |
| 5.1.1 结构介绍 | 第56-58页 |
| 5.1.2 模块介绍 | 第58-60页 |
| 5.2 实验准备 | 第60-63页 |
| 5.2.1 硬件平台 | 第60-61页 |
| 5.2.2 软件环境 | 第61页 |
| 5.2.3 数据集及训练算法 | 第61-63页 |
| 5.3 动态同步并行策略实验分析 | 第63-67页 |
| 5.3.1 容错特性的有限性 | 第64-65页 |
| 5.3.2 容错特性的动态性 | 第65-67页 |
| 5.4 自适应并行策略实验分析 | 第67-70页 |
| 5.4.1 有效性分析 | 第67-69页 |
| 5.4.2 扩展性分析 | 第69-70页 |
| 5.5 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-75页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 未来展望 | 第73-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 附录 | 第83-84页 |
| 详细摘要 | 第84-86页 |
