卷积神经网络存储加速优化关键技术研究

本书对卷积神经网络中的存储和计算加速优化展开研究，从多个角度分析了卷积神经网络的计算特性，并针对几种具有代表性的卷积神经网络的存储和计算加速问题展开分析、求解和验证。本书有4个创新点，第一提出了三种分块的GPU显存优化算法，第二提出了一种名为虚拟混合存储卷积神经网络的新型GPU内存管理策略，第三提出了两种调度算法来优化图像检测任务中的推断前馈计算，第四提出了一个基于全GPU实现的批量多任务级联卷积神经网络。

第1章 绪论

1.1 研究背景及意义

1.1.1 卷积神经网络

1.1.2 研究依据

1.2 研究现状

1.2.1 卷积神经网络中GPU显存优化研究现状

1.2.2 卷积神经网络中GPU计算加速优化研究现状

1.3 研究内容和创新点

第2章 基于分块矩阵分解的卷积神经网络GPU显存优化方法

2.1 问题提出

2.2 极限学习机基础理论

2.2.1 极限学习机

2.2.2 基于局部感受野的卷积极限学习机

2.3 大规模ELM方案

2.3.1 分块LU分解算法

2.3.2 分块Cholesky分解算法

2.3.3 分块异构CPU-GPU加速算法

……