CPU-GPU异构计算环境下的Cube CNN模型设计与应用研究

《CPU-GPU异构计算环境下的Cube CNN模型设计与应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中图分类号：学校代码：10055UDC：密级：公开硕士学位论文CPU-GPU异构计算环境下的CubeCNN模型设计与应用研究ResearchonModelDesignandApplicationofCubeCNNinCPU-GPUHeterogeneousComputingEnvironment论文作者董晗指导教师李涛副教授申请学位工学硕士培养单位计算机与控制工程学院学科专业计算机科学与技术研究方向异构计算答辩委员会主席白刚评阅人白刚王恺南开大学研究生院二○一八年六月南开大学学位论文原创性声明本人郑重声

2、明：所呈交的学位论文，是本人在导师指导下进行研究工作所取得的研究成果。除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签名：年月日非公开学位论文标注说明(本页表中填写内容须打印)根据南开大学有关规定，非公开学位论文须经指导教师同意、作者本人申请和相关部门批准方能标注。未经批准的均为公开学位论文，公开学位论文本说明为

3、空白。论文题目申请密级□限制(≤2年)□秘密(≤10年)□机密(≤20年)保密期限20年月日至20年月日审批表编号批准日期20年月日南开大学学位评定委员会办公室盖章(有效)注：限制★2年(可少于2年);秘密★10年(可少于10年);机密★20年(可少于20年)摘要摘要高光谱图像分类是遥感领域的研究热点之一。随着光谱信息的不断丰富和光谱波段数的迅速增加，传统分类器如支持向量机、随机森林等，在处理高光谱分类应用时，往往由于输入数据的维度高而遭遇性能瓶颈。近年来，深度学习方法发展迅速，深度卷积神经网络（CNN

4、）能够有效地从原始图像中提取具有代表性的特征，因此在图像分类领域应用广泛。由于高光谱图像分类是像素级别分类，因此，设计专用于高光谱图像分类应用的深度CNN网络，一直是高光谱图像分类领域研究的关键。图形处理器（GraphicProcessingUnit，GPU）作为最通用的加速芯片之一，被广泛应用于高性能计算领域。由于深度神经网络的训练耗时严重，越来越多的研究人员致力于将GPU应用于深度学习领域，以加速模型的训练过程。本文将高光谱图像近邻像素策略与CNN相结合，提出一种面向高光谱图像分类应用的CubeCN

5、N模型。针对该模型的训练特点，提出基于GPU平台的GCN并行加速框架：首先，本文为GCN框架设计了一种高光谱图像数据集预处理算法——PNPE（ParallelNeighborPixelExtraction）算法，该算法能够并行地从原始高光谱图像数据集中提取样本并保存在GPU的GlobalMemory中，用于后续模型的训练。其次，结合CubeCNN各层的数据运算特点和GPU的软硬件体系结构特点，本文在GCN框架中引入了CubeCNN-To-GPU的映射机制，该机制能够将CubeCNN各层的训练映射到GPU

6、端的CUDAkernel，为模型训练的GPU并行加速奠定基础。最后，本文设计了GPU端具体的数据存储模式和同步机制，并将MultipleCUDAStreams技术与小批量梯度下降（MBGD）算法相结合，进一步提高了该算法的执行效率。实验证明，在保证CubeCNN模型精度的前提下，GCN框架能有效提升模型的训练速度，与常用并行加速平台Caffe和Theano相比，最多分别能缩短85%+和90%+的模型训练时间。最后，本文通过设计跨平台GPU上的模型训练时间对比实验，验证了GCN框架具有良好的可移植性。关键

7、词：高光谱图像分类；深度学习；卷积神经网络；异构计算；CUDAIAbstractAbstractHyperspectralimage(HSI)classificationhasbeenprovedsignificantinremotesensingfield.Withtherapidgrowthofspectralinformation,traditionalclassificationmethodshavemetbottlenecksduetothelackofremotesensingbackgro

8、undknowledgeandhighdimensionality.Deeplearningbasedmethods,suchasdeepconvolutionalneuralnetwork(CNN),caneffectivelyextracthighlevelfeaturesfromrawdata.Meanwhile,itisstillahotspotthathowtodesignanewCNNmodelwhichcanutilizeth