公开(公告)号：CN110619387A

公开(公告)日：2019-12-27

申请号：CN201910865549.X

申请日：2019-09-12

Applicant: 复旦大学

Inventor： 刘天弼 ,  杜姗姗 ,  冯瑞

IPC: G06N3/04 ,  G06K9/62

Abstract: 本发明提供一种基于卷积神经网络的通道扩展方法，用于替换卷积神经网络中通用的卷积扩展通道和池化操作，从而保证有效数据不损失的情况下减少卷积神经网络在中间运算的冗余数据，其特征在于，包括如下步骤：步骤S1，根据在卷积池化前后特征图的分辨率变化率计算特征图数据的分辨率及通道数；步骤S2，将4个维度的特征图数据中对应高和宽的通道进行维度拆分，形成6个维度；步骤S3，将拆分后的特征图数据进行维度调转：第3、5维度调换为第5、6维度；步骤S4，将调换后的特征图数据中第2、3、4维度进行维度合并，重新整合为4个维度。

公开(公告)号：CN107168782A

公开(公告)日：2017-09-15

申请号：CN201710270400.8

申请日：2017-04-24

Applicant: 复旦大学

Inventor： 郑健 ,  杜姗姗 ,  冯瑞 ,  金城 ,  薛向阳

IPC: G06F9/48 ,  G06F9/50 ,  G06F15/173

CPC classification number: G06F9/4881 ,  G06F9/5038 ,  G06F9/505 ,  G06F9/5083 ,  G06F15/17318 ,  G06F15/17331

Abstract: 本发明属于并行计算技术领域，具体为一种基于Spark与GPU的并行计算框架系统。本发明基于YARN资源管理平台，通过改进其资源管理器与节点管理器，使其能够有效感知异构集群的GPU资源，从而支持对集群GPU资源的管理与调度；然后在YARN部署模式下，对Spark的作业调度机制与任务执行机制进行改进，使其支持对GPU型任务的调度与执行。通过在资源申请、资源分配、DAG生成、stage划分与任务执行等阶段引入对GPU资源的标识，使执行引擎能够感知GPU任务，并在异构集群中有效执行；同时利用Spark本身高效内存计算的特性，结合GPU多核并行计算的优势提出了在该框架下有效的编程模型。本发明能够有效的处理数据密集型与计算密集型作业，极大提高作业处理效率。