基于预决策的卷积神经网络加速研究的开题报告.docx

基于预决策的卷积神经网络加速研究的开题报告
开题报告
题目：基于预决策的卷积神经网络加速研究
一、研究背景
卷积神经网络（CNN）已经广泛应用于计算机视觉和自然语言处理等领域，在许多应用中都表现出了出色的效果。然而，由于深度卷积神经网络的参数数量非常庞大，导致了训练和推断的计算量非常大，而且需要大量的时间和计算资源。因此，如何在保证模型准确率的同时缩短训练和推断时间成为了当前研究的热点。
二、研究目的和意义
本研究的目的是基于预决策的方法，通过对较大尺寸输入数据的预处理，来减少深度卷积神经网络的运算量和参数数量，以实现卷积神经网络的加速。优化卷积神经网络的运算效率，对于实际应用很有意义，具有重大的理论价值和应用前景。本研究的成果可以在卷积神经网络在移动设备、IoT设备上应用时为其提供更好的算法支持，也可为在计算资源有限的设备上快速部署卷积神经网络提供方案。
三、研究内容
1.珂趣块（Krawtchouk）变换的介绍及其在图像识别中的应用；
2.针对卷积神经网络的预决策方法的设计和实现；
3.对比本研究所提出算法与其它加速卷积神经网络方法的性能；
4.实现深度学习框架并进行相应的编程实现。
四、研究方法
本研究将使用珂趣块（Krawtchouk）变换对输入数据进行预处理，以减少模型的参数数量和运算量。然后，基于预处理后的数据进行卷积神经网络的训练和推断。比较使用预处理的方法与传统卷积神经网络方法的运行时间和准确率，以证明本方法的有效性。
五、预期结果
1.基于预决策的方法可以大大减少深度卷积神经网络的参数和运算量，从而加速训练和推断过程；
2.经过实验证明，使用本方法的卷积神经网络可以在保证模型准确率的情况下加速运行。
六、研究进度安排
1.初期准备阶段：研究深度学习框架的相关知识及珂趣块（Krawtchouk）变换的原理和应用（1周）；
2.实验设计阶段：设计卷积神经网络的预决策方法，并选取合适的实验数据集（2周）；
3.实验实现阶段：编写深度学习框架，并通过实验证明卷积神经网络的加速效果（3周）；
4.分析总结阶段：分析实验结果，总结数据，撰写论文（2周）
七、参考文献
1.J.Bigün,G.Hager,andW.B.Pennebaker,“PatternRecognitionbyFourierTransform,”IEEProceedingsF-138,pp.395–401,1991.
2.Z.Ruixuan,Z.Shuai,W.Wei,andC.Yang,“ColumnConvolutionalNeuralNetworkwithSeparableFiltersforVideoClassification,”inProceedingsofIEEEInternationalConferenceonComputerVision(ICCV),Dec2017,pp.785–794.
3.I.Goodfellow,Y.Bengio,andA.Courville,DeepLearning,MITPress,2016.