面向DNN的高并发NVM文件系统

DNN训练中需要反复频繁读写海量参数,NVM具有读写速度快的优势,是提高DNN训练效率的有效手段.但现有的NVM文件系统为了应对上层多种复杂的应用普遍使用基于文件的锁机制,难以利用多核并发读写提高DNN训练中对海量参数的I/O效率.本文针对DNN训练时的特性和NVM中存在的I/O软件栈的挑战,设计了基于并发线程的细粒度锁和基于两层日志的文件并发I/O机制,并实现了面向DNN高并发NVM文件系统的原型DNNFS,使用Filebench和Fio在多种不同类型负载下进行了测试,实验结果表明DNNFS相比NOVA最大能提高35.8%的IOPS值和21.6%的I/O带宽.

基于DNN的OFDM系统非线性失真补偿

针对加性高斯白噪声信道下射频发送时高功率放大器导致的非线性失真问题,提出一种基于深度神经网络(DNN)的正交频分复用(OFDM)非线性失真补偿方法。设计一个双输入双输出含两层隐含层的深度神经网络在接收端对非线性失真进行补偿,并讨论了此网络不同的输入输出数据带来的性能差异。仿真结果表明该方法避免了射频发送信号的获取难度和进行输入功率回退时带来的功率损失,具有一定的补偿非线性失真的作用。