燃料电池阴极空气过滤器对SO2的化学吸附仿真

化学吸附性能是燃料电池发动机阴极空气过滤器设计的主要参数之一.通过采用实验和计算机仿真的方法,研究了SO2在过滤器内的化学吸附行为,建立了平衡吸附量-初始进气体积分数-空气流速的三维数学模型.根据吸附模型编写了用户自定义函数作为约束条件方程,运用FLUENT软件对过滤器吸附SO2体积分数分布进行仿真研究,并成功应用于过滤器的结构设计.通过对5 kW燃料电池发动机空气过滤器的仿真,可以清晰地模拟SO2在过滤器内的吸附过程,预测过滤器的失效时间为1 203 h.     

基于CUDA流技术的深度学习系统优化

为了在不损失模型准确率的同时优化Caffe深度学习框架的训练速度,提出了一种面向Caffe并基于计算统一设备架构(CUDA)流技术的深度学习系统优化方法,以便充分利用GPU资源,提高计算的并行度.在Caffe网络的各层使用异步CUDA流,使其运行在独立线程以并行执行GPU计算任务;同时将批处理块划分成多个数据片,使用调度算法在前向传播和反向传播过程中以流水线形式进行处理.在数据集MNIST和CIFAR-10上的实验结果表明:优化后的系统在训练速度上有明显提升,同时准确率基本无损失.     

基于AVX2指令集的深度学习混合运算策略

由于图形处理器(GPU)内存容量有限,其所能承载的深度学习网络模型规模受到很大限制。该文提出了一种深度学习混合运算策略,借助于Intel新的单指令多数据AVX2指令集,充分挖掘CPU对GPU的辅助支撑潜力。为节省GPU内存,将中间数据规模较大的网络层放在CPU端计算,并通过AVX2指令集提高CPU端的计算效率。核心技术点包括网络模型的切分与协调、基于AVX2指令的应用代码矢量化等。上述策略最终在Caffe上实现。在包括CIFAR-10、 ImageNet在内的典型数据集上的实验结果表明:采用混合运算策略后,Caffe能够正常运行更大型神经网络模型,并保持较高的执行效率。