随着移动互联网的快速发展,智能手机普及率的不断提高,我们原来只能在电脑上处理的事务逐渐转移到手机上,我们迈入了移动互联网的时代。但是我校现有的教务系统只有PC版,给同学们带来了极大的不便。本设计将现有的教务系统的功能拓展到Android手机终端上,不需要获取其他数据接口,直接采用了HTML解析交互的方法。还提供一些附加的功能,针对计算学分绩不方便的问题,实现了绩点计算,成绩分析,使同学们能及时方便的了解自己的学习情况。还实现了课程表模块,将教务系统上凌乱的课程信息处理,输出成美观的课程表,使同学们能在手机上方便快捷的查看自己的课表。APP自完成以来受到同学们的一致好评,基本达到预期效果。 神经网络的广泛应用使得人们更加关注神经网络的训练,更高精度的要求给神经网络的训练带来了困难,因此加速神经网络的训练成为了研究的重点。GFW加速调度算法-电动折弯机数控滚圆机缩管机张家港电动液压滚圆机滚弧机折弯机对于神经网络的训练中卷积层占据了大部分的训练时间,所以加速卷积层的训练成为了加速神经网络的关键。本文提出了GFW加速调度算法,GFW算法通过对不同卷积图像的大小和卷积核的数量调用不同的卷积算法,以达到整体的训练效果。实验中具体分析了9层卷积网络的加速训练,实验结果显示,相比于GEMM卷积算法,GFW算法实现了2.901倍的加速,相比于FFT算法GFW算法实现了1.467倍的加速,相比于Winograd算法,GFW算法实现了1.318倍的加速。 调度算法的思想是对不同的卷积层输入特征图维度大小卷积核的数量调度不同的卷积算法，实现每一层卷积层的最佳训练，从而提高整个神经网络的训练性能。GFW调度算法是在GEMM 本文公司网站弯管机价格网站采集转载中国知网整理!    http://www.wanguanjixie.org/、FFT和Winogd卷积算法中根据特征图维度大小和卷积核的数量来调用相应的卷积算法，实现最佳的训练性能。如图1给出了GFW加速调度算法的流程图，图中Image_size为输入图像的大小，Filteroutput为卷积核的数量，GFW是根据这两个参数来调度相应的卷积算法，实现神经网络的最佳训练效果。图1GFW调度算法流程图实验结果与分析本实验完成对神经网络的加速实验，主要在同一实验平台上分别对卷积层的不同的卷积算法进行了加速实验。实验中使用的神经网络结构具有九层卷积层，分别使用GEMM、FFT和Winograd卷积算法对神经网络进行加速实验，并且与GFW加速调度算法进行了加速对比。实验中对神经网络结构中的每一层卷积层进行了四种卷积算法的加速实验，从实验中每一层中各个算法的执行时间可以具体分析出GFW加速调度算法的调度策略。最后，分析了每个卷积算法对整个神经网络的加速时间以及GFW加速调度算法相比其它卷积算法的加速比。3.1实验分析实验中对具有九层卷积层的神经网络结构，卷积网络是由卷积层和池化层组成，输入图像经过每一层的卷积和池化层后得到的特征图都会减小，在不同卷积层的输入特征图的维度都是不同的。实验中使用的硬件平台是，其具有11GB的显存，使用了CUDA9.0版本对GPU计算资源进行管理。实验中分别测试了神经网络每一层在四种卷积算法下的执行时间，?GFW加速调度算法-电动折弯机数控滚圆机缩管机张家港电动液压滚圆机滚弧机折弯机 本文公司网站弯管机价格网站采集转载中国知网整理!    http://www.wanguanjixie.org/