隨著人工智能飛速發(fā)展,人工智能技術不斷與人們生活接觸,在不同領域都有了突出貢獻。人工智能成為當今研究的重要課題,人們不僅在算法以及硬件技術,還更注重實際應用的研究。深度學習是人工智能的重要組成部分,在圖像識別,語言識別,自然語言處理等方面都成為當今主要解決方法。深度學習算法在傳統(tǒng)算法基礎上研究發(fā)明了深度卷積神經(jīng)網(wǎng)絡以滿足當今對大量數(shù)據(jù)的特征提取和學習要求。人們在硬件配置上提出分布式計算,云計算等方法解決此前深度學習對訓練環(huán)境配置要求高的難題,使更多人能加入深度學習的研究中。世界上眾多頂尖高科技公司成立實驗室對深度學習尋找更簡便更迅速的開發(fā)模式,由此產(chǎn)生了本文研究的Tensorflow深度學習框架。云計算中也有阿里云提供可以滿足深度學習的計算機能力的云平臺。首先本文介紹了本課題的背景、研究意義和國內(nèi)外研究現(xiàn)狀。然后對卷積神經(jīng)網(wǎng)絡的基礎理論進行闡述,引出3種重要卷積神經(jīng)網(wǎng)絡模型。本文通過使用云計算以及公有云的能力,以基于python語言的Tensorflow深度學習框架對深度卷積神經(jīng)網(wǎng)絡模型進行研究、應用和改進。之后,我們又介紹了阿里云平臺對深度學習的計算環(huán)境配置搭建和Tensorflow... 

【文章來源】：江蘇科技大學江蘇省

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題學術背景和意義
    1.2 國內(nèi)外研究進展
        1.2.1 深度學習在語音識別領域現(xiàn)狀
        1.2.2 深度學習在計算機視覺領域現(xiàn)狀
        1.2.3 深度學習在自然語言處理領域現(xiàn)狀
        1.2.4 深度學習在搜索廣告領域現(xiàn)狀
    1.3 深度學習所遇問題
        1.3.1 理論問題
        1.3.2 工程問題
    1.4 本文主要內(nèi)容
第二章 卷積神經(jīng)網(wǎng)絡的結構與算法
    2.1 神經(jīng)網(wǎng)絡基礎思想
        2.1.1 神經(jīng)元模型
        2.1.2 梯度下降思想
        2.1.3 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡結構與主要思想
        2.2.1 多層神經(jīng)網(wǎng)絡結構
        2.2.2 卷積層
        2.2.4 池化層
        2.2.5 全連接層
    2.3 經(jīng)典神經(jīng)網(wǎng)絡結構
        2.3.1 AlexNet網(wǎng)絡
        2.3.2 VGG網(wǎng)絡
        2.3.3 ResNet網(wǎng)絡
第三章 Tensorflow的云平臺深度學習框架
    3.1 Tensorflow深度卷積神經(jīng)網(wǎng)絡框架
        3.1.1 Tensorflow深度學習框架基礎介紹
        3.1.2 本地Tensorflow環(huán)境搭建
        3.1.3 阿里云平臺上深度學習框架搭建
第四章 關于CIFAR-10 數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡性能對比
    4.1 CIFAR-10 數(shù)據(jù)集簡介
    4.2 使用Tensorflow對數(shù)據(jù)集進行預處理
    4.3 AlexNet網(wǎng)絡模型構造
        4.3.1 Adagrad算法
        4.3.2 RMSProp算法
        4.3.3 Adam算法
    4.4 VGG網(wǎng)絡模型構造
    4.5 訓練結果對比與分析
        4.5.1 AlexNet網(wǎng)絡模型實驗結果
        4.5.2 VGG網(wǎng)絡模型實驗結果
        4.5.3 實驗結果對比分析
    4.6 VGG網(wǎng)絡根據(jù)訓練結構調(diào)參
        4.6.1 增加epoch數(shù)的訓練結果
        4.6.2 數(shù)據(jù)增強的訓練結果
        4.6.3 修改優(yōu)化器的訓練結果
    4.7 實驗總結
    4.8 通過網(wǎng)絡模型展開預測
第五章 Resnet網(wǎng)絡在駕駛員行車狀態(tài)檢測數(shù)據(jù)集的應用
    5.1 數(shù)據(jù)集介紹
    5.2 關于數(shù)據(jù)集的預處理
        5.2.1 生成字典
        5.2.2 縮放圖片集
        5.2.3 加載數(shù)據(jù)成為輸入矩陣
    5.3 構造ResNet網(wǎng)絡框架
        5.3.1 定義殘差單元
        5.3.2 構建ResNet整體結構
    5.4 實驗結果
    5.5 優(yōu)化現(xiàn)有ResNet模型
        5.5.1 優(yōu)化原理分析
        5.5.2 優(yōu)化模型訓練結果
    5.6 測試集驗證工程應用
總結與展望
    1.工作總結
    2.不足與展望
參考文獻
攻讀碩士學位期間發(fā)表的論文情況
致謝
論文摘要


【參考文獻】：
期刊論文
[1]人工智能賦能運營商“大連接”戰(zhàn)略[J]. 湯人杰,楊巧節(jié).  電信技術. 2018(04)
[2]基于ReLU函數(shù)的卷積神經(jīng)網(wǎng)絡的花卉識別算法[J]. 郭子琰,舒心,劉常燕,李雷.  計算機技術與發(fā)展. 2018(05)
[3]一種基于深度殘差網(wǎng)絡的車型識別方法[J]. 劉敦強,沈峘,夏瀚笙,王瑩,賈燕晨.  計算機技術與發(fā)展. 2018(05)
[4]卷積神經(jīng)網(wǎng)絡中ReLU激活函數(shù)優(yōu)化設計[J]. 王雙印,滕國文.  信息通信. 2018(01)
[5]基于深度學習的紅外遙感信息自動提取[J]. 陳睿敏,孫勝利.  紅外. 2017(08)
[6]基于改進的卷積神經(jīng)網(wǎng)絡的圖像分類性能[J]. 常祥,楊明.  重慶理工大學學報(自然科學). 2017(03)
[7]非線性SGD算法改進預測超平面表示方法的研究[J]. 金釗,魯淑霞.  信息與電腦(理論版). 2016(13)
[8]深度學習研究進展[J]. 郭麗麗,丁世飛.  計算機科學. 2015(05)
[9]深度學習研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學學報. 2015(01)
[10]一種基于混合誤差梯度下降算法的過程神經(jīng)網(wǎng)絡訓練[J]. 許少華,宋美玲,許辰,朱新寧.  東北石油大學學報. 2014(04)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的視頻語義概念分析[D]. 詹智財.江蘇大學 2016
[2]基于Caffe深度學習框架的卷積神經(jīng)網(wǎng)絡研究[D]. 楊楠.河北師范大學 2016
[3]基于卷積神經(jīng)網(wǎng)絡的圖像識別[D]. 王瑞.河南大學 2015
[4]基于卷積神經(jīng)網(wǎng)絡的深度學習算法與應用研究[D]. 陳先昌.浙江工商大學 2014
[5]基于隨機微粒群算法的改進算法研究[D]. 王建麗.太原科技大學 2010



本文編號：3302600