隨著全球科技變革的推進(jìn),人工智能成為各大公司的研究熱點(diǎn)和戰(zhàn)略重心。TensorFlow是谷歌推出的開(kāi)源機(jī)器學(xué)習(xí)框架,自開(kāi)源以來(lái)便受到極大關(guān)注,是GitHub社區(qū)上最受歡迎的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)項(xiàng)目之一。目前,TensorFlow可以在多個(gè)云平臺(tái)上部署運(yùn)行,但仍存在軟件的依賴(lài)與管理問(wèn)題,而利用Docker技術(shù)具有的快速部署與可移植等優(yōu)勢(shì),通過(guò)Docker容器實(shí)現(xiàn)TensorFlow的虛擬化異構(gòu),可以解決TensorFlow環(huán)境依賴(lài)的問(wèn)題,并為科研人員及工程師提供便捷的開(kāi)發(fā)環(huán)境,具有現(xiàn)實(shí)的應(yīng)用意義。本文通過(guò)TensorFlow與市場(chǎng)上其他主流深度學(xué)習(xí)框架的對(duì)比分析,針對(duì)TensorFlow在任務(wù)調(diào)度、容錯(cuò)等方面存在的不足,提出相應(yīng)的改進(jìn)優(yōu)化方案;利用Docker技術(shù)擁有的資源隔離、高性能及可移植等優(yōu)點(diǎn),使用Docker容器部署TensorFlow,實(shí)現(xiàn)TensorFlow的虛擬化異構(gòu);通過(guò)構(gòu)建基于Docker集群的TensorFlow深度學(xué)習(xí)系統(tǒng),實(shí)現(xiàn)TensorFlow深度學(xué)習(xí)系統(tǒng)的分布式部署,提升平臺(tái)數(shù)據(jù)吞吐量;并通過(guò)多GPU并行化模型訓(xùn)練方案,解決深度學(xué)習(xí)訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。本文實(shí)現(xiàn)了以...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外現(xiàn)狀研究
        1.2.1 Docker容器研究現(xiàn)狀
        1.2.2 TensorFlow研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)理論及技術(shù)研究
    2.1 Docker容器技術(shù)
        2.1.1 Docker概述
        2.1.2 Docker組織構(gòu)架
        2.1.3 Docker核心組件
    2.2 TensorFlow深度學(xué)習(xí)框架
        2.2.1 TensorFlow概述
        2.2.2 TensorFlow框架特性
        2.2.3 TensorFlow編程模型
    2.3 本章小結(jié)
第三章 TensorFlow架構(gòu)研究與優(yōu)化
    3.1 TensorFlow架構(gòu)的研究分析
        3.1.1 主流深度學(xué)習(xí)框架對(duì)比分析
        3.1.2 TensorFlow框架存在的問(wèn)題
    3.2 任務(wù)分配策略設(shè)計(jì)與實(shí)現(xiàn)
        3.2.1 任務(wù)分配策略基本思想
        3.2.2 任務(wù)分配策略設(shè)計(jì)與實(shí)現(xiàn)
    3.3 容錯(cuò)機(jī)制設(shè)計(jì)與實(shí)現(xiàn)
        3.3.1 容錯(cuò)機(jī)制基本思想
        3.3.2 容錯(cuò)機(jī)制設(shè)計(jì)與實(shí)現(xiàn)
    3.4 性能監(jiān)控服務(wù)設(shè)計(jì)與實(shí)現(xiàn)
        3.4.1 性能監(jiān)控服務(wù)需求分析
        3.4.2 性能監(jiān)控服務(wù)設(shè)計(jì)與實(shí)現(xiàn)
    3.5 本章小結(jié)
第四章 虛擬化異構(gòu)TensorFlow架構(gòu)的實(shí)現(xiàn)
    4.1 分布式部署
        4.1.1 Docker容器通信設(shè)計(jì)與實(shí)現(xiàn)
        4.1.2 Docker容器集群架構(gòu)設(shè)計(jì)
    4.2 容器集群管理
        4.2.1 集群資源管理
        4.2.2 容器彈性伸縮設(shè)計(jì)與實(shí)現(xiàn)
        4.2.3 資源調(diào)度策略設(shè)計(jì)與實(shí)現(xiàn)
    4.3 并行化訓(xùn)練
        4.3.1 模型并行方案設(shè)計(jì)
        4.3.2 數(shù)據(jù)并行方案設(shè)計(jì)
        4.3.3 環(huán)形并行結(jié)構(gòu)實(shí)現(xiàn)
    4.4 本章小結(jié)
第五章 測(cè)試與分析
    5.1 環(huán)境配置與搭建
        5.1.1 環(huán)境配置
        5.1.2 環(huán)境搭建
    5.2 性能測(cè)試與分析
        5.2.1 物理主機(jī)與Docker容器性能對(duì)比
        5.2.2 TensorFlow優(yōu)化前后性能對(duì)比實(shí)驗(yàn)
        5.2.3 異構(gòu)化TensorFlow與分布式版本TensorFlow性能對(duì)比實(shí)驗(yàn)
    5.3 本章總結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
致謝



本文編號(hào)：3756480