版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、深度學習(Deep Learning)近年來在機器學習的各個領域都取得了突破性的發(fā)展。深度學習算法通過訓練多層人工神經(jīng)網(wǎng)絡模型,能夠出色地抽取復雜特征,從而在語音,計算機視覺,文本等多個方面取得了巨大的成功。由于人工神經(jīng)網(wǎng)絡模型層數(shù)的增加,深度學習需要訓練大量的模型參數(shù),也因此依賴于海量的訓練數(shù)據(jù)作為支撐。模型規(guī)模和數(shù)據(jù)規(guī)模的急速膨脹使得深度學習算法同時兼具計算密集型和I/O密集型這兩種計算特征。針對這些特性,目前主流的解決方案是使用G
2、PU和大規(guī)模集群進行計算。然而,這些方案往往將平臺相關的接口(API)直接暴露給用戶,使得算法的開發(fā)、實現(xiàn)和優(yōu)化變得非常困難并且難以維護。
針對這些問題和需求,在本篇論文中,我們設計并實現(xiàn)了Minerva——一個面向深度學習算法的高性能的計算平臺。Minerva通過提供基于矩陣運算的編程模型,從而使得用戶能夠方便,自然地表達深度學習算法。同時,通過保留算法設計者所熟悉的命令式和結(jié)構化編程的特點,我們的編程模型能更精簡更緊致地編
3、寫幾乎所有主流的深度學習算法。為了同時支持分布式計算和異構平臺(GPU或者多核CPU)的加速,在運行過程中,Minerva會動態(tài)地將用戶代碼轉(zhuǎn)換成數(shù)據(jù)流的中間表達。Minerva會根據(jù)運行平臺的不同,自動將這數(shù)據(jù)流表示執(zhí)行在多個進程或者異構硬件之上。當執(zhí)行在分布式環(huán)境中時,Minerva會自動推斷近似最優(yōu)的數(shù)據(jù)和計算的分配,從而有效地利用數(shù)據(jù)局部性并且高效地隱藏網(wǎng)絡傳輸?shù)拈_銷。得益于Minerva靈活且平臺無關的設計理念,用戶不需要修改
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于CPU-Phi異構架構的高性能圖計算系統(tǒng).pdf
- 基于深度學習和遷移學習的環(huán)境聲音識別.pdf
- 基于Web Services的遠程高性能計算環(huán)境.pdf
- 基于異構計算平臺的高性能生物數(shù)據(jù)壓縮算法研究.pdf
- 高性能計算環(huán)境下基于負載感知的混合寫緩沖系統(tǒng).pdf
- 多環(huán)境高性能車牌識別應用系統(tǒng).pdf
- 基于深度學習的車牌識別系統(tǒng).pdf
- 基于深度學習特征的圖像推薦系統(tǒng).pdf
- 長齡期高性能混凝土碳化深度的試驗研究.pdf
- 基于深度學習的大規(guī)模連續(xù)語音識別系統(tǒng)性能優(yōu)化.pdf
- 基于深度學習的目標檢測系統(tǒng)的研發(fā).pdf
- 基于網(wǎng)格的機群高性能計算系統(tǒng).pdf
- 基于Linux的高性能VOD系統(tǒng)設計.pdf
- 基于深度學習的問答系統(tǒng)技術研究.pdf
- 基于深度學習的個性化推薦系統(tǒng).pdf
- 基于深度學習的目標檢測系統(tǒng)的研發(fā)
- 基于大規(guī)模視覺模式學習的高性能圖像表示.pdf
- 基于片上異構平臺的高性能視頻解碼器的設計與實現(xiàn).pdf
- 基于深度學習的鐵路扣件檢測系統(tǒng)的研究.pdf
- 基于GPU的高性能處理系統(tǒng)的研究.pdf
評論
0/150
提交評論