| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 工业界的开源框架 | 第13页 |
| 1.2.2 应用场景 | 第13-14页 |
| 1.2.3 相关工作 | 第14-16页 |
| 1.3 论文主要结构 | 第16-18页 |
| 第2章 主要技术基础 | 第18-29页 |
| 2.1 循环神经网络 | 第18-23页 |
| 2.1.1 神经元模型 | 第18-19页 |
| 2.1.2 多层神经网络模型 | 第19页 |
| 2.1.3 循环神经网络模型 | 第19-23页 |
| 2.2 计算图(Computational Graph) | 第23-25页 |
| 2.2.1 计算图的基本思想 | 第23页 |
| 2.2.2 计算图优化方法 | 第23-25页 |
| 2.3 MXNet、 NNVM、TVM简介 | 第25-27页 |
| 2.3.1 MXNet | 第25-26页 |
| 2.3.2 NNVM | 第26-27页 |
| 2.3.3 TVM | 第27页 |
| 2.4 MXNet、 TVM、NNVM的关系 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 循环神经网络模型的计算图获取 | 第29-35页 |
| 3.1 语言模型 | 第29-33页 |
| 3.1.1 算法流程 | 第29-31页 |
| 3.1.2 具体模型参数与训练 | 第31-32页 |
| 3.1.3 MXNet计算图分析 | 第32-33页 |
| 3.2 NNVM下计算图转化并进行符号融合 | 第33页 |
| 3.3 TVM下计算图的编译与最终部署 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 循环神经网络计算图模型的优化方案 | 第35-42页 |
| 4.1 针对计算图整体优化 | 第35-37页 |
| 4.1.1 针对循环神经网络计算图的时间展开优化方案 | 第35-36页 |
| 4.1.2 针对LSTM结构单元的计算图优化 | 第36-37页 |
| 4.2 针对特定符号操作优化 | 第37-41页 |
| 4.2.1 数据分块 | 第37-38页 |
| 4.2.2 数据分块多线程模式 | 第38-39页 |
| 4.2.3 向量化 | 第39-40页 |
| 4.2.4 数据重组 | 第40页 |
| 4.2.5 使用矩阵库 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 实验与实验结果 | 第42-56页 |
| 5.1 台式机端优化实验 | 第42-48页 |
| 5.1.1 实验环境 | 第42-43页 |
| 5.1.2 实验步骤 | 第43-44页 |
| 5.1.3 实验结果 | 第44-48页 |
| 5.1.4 实验评价 | 第48页 |
| 5.2 树莓派方案(基于linux的嵌入式开发板) | 第48-52页 |
| 5.2.1 实验环境 | 第48-50页 |
| 5.2.2 树莓派系统 | 第50页 |
| 5.2.3 实验步骤 | 第50-51页 |
| 5.2.4 实验结果 | 第51页 |
| 5.2.5 实验评价 | 第51-52页 |
| 5.3 智能手机方案 | 第52-55页 |
| 5.3.1 实验环境 | 第52页 |
| 5.3.2 实验步骤 | 第52-54页 |
| 5.3.3 实验结果 | 第54-55页 |
| 5.3.4 实验评价 | 第55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 论文工作总结 | 第56页 |
| 6.2 论文研究展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间主要的研究成果 | 第61-62页 |
| 致谢 | 第62页 |
