分布式随机梯度下降算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 第二章 分布式深度学习算法相关基础和理论 | 第15-32页 |
| 2.1 卷积神经网络 | 第15-21页 |
| 2.1.1 网络结构 | 第15-17页 |
| 2.1.2 损失函数 | 第17页 |
| 2.1.3 随机梯度下降算法 | 第17-18页 |
| 2.1.4 反向传播算法 | 第18-21页 |
| 2.2 神经网络的分布式训练 | 第21-25页 |
| 2.2.1 训练方式 | 第21-23页 |
| 2.2.2 参数服务器 | 第23-24页 |
| 2.2.3 参数同步控制协议 | 第24-25页 |
| 2.3 MLitB框架 | 第25-29页 |
| 2.3.1 简介 | 第26页 |
| 2.3.2 体系结构 | 第26-28页 |
| 2.3.3 框架的优势 | 第28-29页 |
| 2.4 图像数据集 | 第29-31页 |
| 2.4.1 MNIST数据集 | 第30页 |
| 2.4.2 CIFAR10数据集 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 分布式异步传参SGD算法 | 第32-53页 |
| 3.1 算法分析 | 第32-38页 |
| 3.1.1 问题分析 | 第32-35页 |
| 3.1.2 非凸优化问题 | 第35-36页 |
| 3.1.3 异步传参SGD算法 | 第36-38页 |
| 3.2 算法实现 | 第38-44页 |
| 3.2.1 同步SGD算法 | 第38-41页 |
| 3.2.2 异步SGD算法 | 第41-43页 |
| 3.2.3 异步传参SGD算法 | 第43-44页 |
| 3.3 系统架构分析与实现 | 第44-47页 |
| 3.3.1 系统功能分析 | 第44-45页 |
| 3.3.2 系统功能实现 | 第45-47页 |
| 3.4 实验结果与分析 | 第47-52页 |
| 3.4.1 实验环境及设置 | 第47-48页 |
| 3.4.2 实验结果分析 | 第48-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 分布式延迟感知SGD算法 | 第53-68页 |
| 4.1 算法分析 | 第53-57页 |
| 4.1.1 问题分析 | 第53-55页 |
| 4.1.2 延迟感知SGD算法 | 第55-57页 |
| 4.2 DASGD算法实现 | 第57-60页 |
| 4.2.1 算法流程分析 | 第57-58页 |
| 4.2.2 参数服务器端算法实现 | 第58-59页 |
| 4.2.3 工作节点端算法实现 | 第59-60页 |
| 4.3 实验结果与分析 | 第60-66页 |
| 4.3.1 实验环境设置 | 第60-61页 |
| 4.3.2 随机延迟环境下的实验与分析 | 第61-63页 |
| 4.3.3 不同异构程度下的实验与分析 | 第63-66页 |
| 4.3.4 CIFAR10数据集上的实验与分析 | 第66页 |
| 4.4 本章小结 | 第66-68页 |
| 第五章 全文总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68页 |
| 5.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的成果 | 第75页 |
