基于CUDA平台的机器学习算法GPU并行化的研究与实现——电子科技大学开题答辩
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
wenku.baidu.com
选题背景
下图cuDNN与Caffe性能比较，使用几个著名的网络。
CPU是16核Intel Haswell的E5-26982.3GHz的3.6 GHz Turbo. GPU是NVIDIA的GeForce GTX TITAN X.
选题背景 （续）
CUDA : 由NVIDIA推出的通用计算架构 CUDA C以C/C++语法为基础设计
存储器分配优化 撰写论文
主要研究内容
1. CUDA架构及GPU存储的研究
主要研究内容 （续）
2. 机器学习相关算法的研究
主要研究内容 （续）
3. 算法GPU并行化可行性的研究
拟解决的关键问题
❖ 研究通用的机器学习并行化方案 ❖ GPU存储分配优化 ❖ 研究迭代计算的并行化
创新点和最终目标
创新点 ➢ GPU存储器分配优化 ➢ 迭代算法并行化
最终目标 ➢ 实现一个典型的机器学习GPU并行化算法
工作进度安排
起始时间 2015.9—2015.12 2016.01—2016.03 2016.04—2015.07
2015.08—2015.11 2015.12—2016.03
完成内容 研究课题内容，查阅相关资料 研究CUDA的框架，熟悉CUDA的编程模式 熟悉主流机器学习算法及设计其并行化
基于CUDA平台的机器学习算法GPU 并行化的研究与实现
姓名： 导师： 专业： 计算机技术
目录
1. 选题背景及研究意义 2. 主要研究内容 3. 拟解决的关键问题 4. 创新点和最终目标 5. 工作进度安排
选题背景及研究意义
海量数据训练，传统cpu串行执行方式效率低，不能满足人们需求。 基于GPU的通用计算的研究成为当前热点
研究意义
➢ 软件加速，提高效率 ➢ 增加用户体验 ➢ 减少成本
"With GPUs, pre-recorded speech or multimedia content can be transcribed much more quickly. Compared to CPU implementation we are able to perform recognition up to 33x faster. "
选题背景
下图cuDNN与Caffe性能比较，使用几个著名的网络。
CPU是16核Intel Haswell的E5-26982.3GHz的3.6 GHz Turbo. GPU是NVIDIA的GeForce GTX TITAN X.
选题背景 （续）
CUDA : 由NVIDIA推出的通用计算架构 CUDA C以C/C++语法为基础设计
存储器分配优化 撰写论文
主要研究内容
1. CUDA架构及GPU存储的研究
主要研究内容 （续）
2. 机器学习相关算法的研究
主要研究内容 （续）
3. 算法GPU并行化可行性的研究
拟解决的关键问题
❖ 研究通用的机器学习并行化方案 ❖ GPU存储分配优化 ❖ 研究迭代计算的并行化
创新点和最终目标
创新点 ➢ GPU存储器分配优化 ➢ 迭代算法并行化
最终目标 ➢ 实现一个典型的机器学习GPU并行化算法
工作进度安排
起始时间 2015.9—2015.12 2016.01—2016.03 2016.04—2015.07
2015.08—2015.11 2015.12—2016.03
完成内容 研究课题内容，查阅相关资料 研究CUDA的框架，熟悉CUDA的编程模式 熟悉主流机器学习算法及设计其并行化
基于CUDA平台的机器学习算法GPU 并行化的研究与实现
姓名： 导师： 专业： 计算机技术
目录
1. 选题背景及研究意义 2. 主要研究内容 3. 拟解决的关键问题 4. 创新点和最终目标 5. 工作进度安排
选题背景及研究意义
海量数据训练，传统cpu串行执行方式效率低，不能满足人们需求。 基于GPU的通用计算的研究成为当前热点
研究意义
➢ 软件加速，提高效率 ➢ 增加用户体验 ➢ 减少成本
"With GPUs, pre-recorded speech or multimedia content can be transcribed much more quickly. Compared to CPU implementation we are able to perform recognition up to 33x faster. "