隨著人工智能飛速發(fā)展,人工智能技術(shù)不斷與人們生活接觸,在不同領(lǐng)域都有了突出貢獻(xiàn)。人工智能成為當(dāng)今研究的重要課題,人們不僅在算法以及硬件技術(shù),還更注重實(shí)際應(yīng)用的研究。深度學(xué)習(xí)是人工智能的重要組成部分,在圖像識(shí)別,語言識(shí)別,自然語言處理等方面都成為當(dāng)今主要解決方法。深度學(xué)習(xí)算法在傳統(tǒng)算法基礎(chǔ)上研究發(fā)明了深度卷積神經(jīng)網(wǎng)絡(luò)以滿足當(dāng)今對(duì)大量數(shù)據(jù)的特征提取和學(xué)習(xí)要求。人們?cè)谟布渲蒙咸岢龇植际接?jì)算,云計(jì)算等方法解決此前深度學(xué)習(xí)對(duì)訓(xùn)練環(huán)境配置要求高的難題,使更多人能加入深度學(xué)習(xí)的研究中。世界上眾多頂尖高科技公司成立實(shí)驗(yàn)室對(duì)深度學(xué)習(xí)尋找更簡(jiǎn)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(xué)習(xí)框架。云計(jì)算中也有阿里云提供可以滿足深度學(xué)習(xí)的計(jì)算機(jī)能力的云平臺(tái)。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(duì)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論進(jìn)行闡述,引出3種重要卷積神經(jīng)網(wǎng)絡(luò)模型。本文通過使用云計(jì)算以及公有云的能力,以基于python語言的Tensorflow深度學(xué)習(xí)框架對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行研究、應(yīng)用和改進(jìn)。之后,我們又介紹了阿里云平臺(tái)對(duì)深度學(xué)習(xí)的計(jì)算環(huán)境配置搭建和Tensorflow... 

【文章來源】：江蘇科技大學(xué)江蘇省

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題學(xué)術(shù)背景和意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 深度學(xué)習(xí)在語音識(shí)別領(lǐng)域現(xiàn)狀
        1.2.2 深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域現(xiàn)狀
        1.2.3 深度學(xué)習(xí)在自然語言處理領(lǐng)域現(xiàn)狀
        1.2.4 深度學(xué)習(xí)在搜索廣告領(lǐng)域現(xiàn)狀
    1.3 深度學(xué)習(xí)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(luò)的結(jié)構(gòu)與算法
    2.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)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(luò)結(jié)構(gòu)與主要思想
        2.2.1 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        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(luò)結(jié)構(gòu)
        2.3.1 AlexNet網(wǎng)絡(luò)
        2.3.2 VGG網(wǎng)絡(luò)
        2.3.3 ResNet網(wǎng)絡(luò)
第三章 Tensorflow的云平臺(tái)深度學(xué)習(xí)框架
    3.1 Tensorflow深度卷積神經(jīng)網(wǎng)絡(luò)框架
        3.1.1 Tensorflow深度學(xué)習(xí)框架基礎(chǔ)介紹
        3.1.2 本地Tensorflow環(huán)境搭建
        3.1.3 阿里云平臺(tái)上深度學(xué)習(xí)框架搭建
第四章 關(guān)于CIFAR-10 數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)性能對(duì)比
    4.1 CIFAR-10 數(shù)據(jù)集簡(jiǎn)介
    4.2 使用Tensorflow對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理
    4.3 AlexNet網(wǎng)絡(luò)模型構(gòu)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(luò)模型構(gòu)造
    4.5 訓(xùn)練結(jié)果對(duì)比與分析
        4.5.1 AlexNet網(wǎng)絡(luò)模型實(shí)驗(yàn)結(jié)果
        4.5.2 VGG網(wǎng)絡(luò)模型實(shí)驗(yàn)結(jié)果
        4.5.3 實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.6 VGG網(wǎng)絡(luò)根據(jù)訓(xùn)練結(jié)構(gòu)調(diào)參
        4.6.1 增加epoch數(shù)的訓(xùn)練結(jié)果
        4.6.2 數(shù)據(jù)增強(qiáng)的訓(xùn)練結(jié)果
        4.6.3 修改優(yōu)化器的訓(xùn)練結(jié)果
    4.7 實(shí)驗(yàn)總結(jié)
    4.8 通過網(wǎng)絡(luò)模型展開預(yù)測(cè)
第五章 Resnet網(wǎng)絡(luò)在駕駛員行車狀態(tài)檢測(cè)數(shù)據(jù)集的應(yīng)用
    5.1 數(shù)據(jù)集介紹
    5.2 關(guān)于數(shù)據(jù)集的預(yù)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(gòu)造ResNet網(wǎng)絡(luò)框架
        5.3.1 定義殘差單元
        5.3.2 構(gòu)建ResNet整體結(jié)構(gòu)
    5.4 實(shí)驗(yàn)結(jié)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(xùn)練結(jié)果
    5.6 測(cè)試集驗(yàn)證工程應(yīng)用
總結(jié)與展望
    1.工作總結(jié)
    2.不足與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文情況
致謝
論文摘要


【參考文獻(xiàn)】：
期刊論文
[1]人工智能賦能運(yùn)營(yíng)商“大連接”戰(zhàn)略[J]. 湯人杰,楊巧節(jié).  電信技術(shù). 2018(04)
[2]基于ReLU函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)的花卉識(shí)別算法[J]. 郭子琰,舒心,劉常燕,李雷.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(05)
[3]一種基于深度殘差網(wǎng)絡(luò)的車型識(shí)別方法[J]. 劉敦強(qiáng),沈峘,夏瀚笙,王瑩,賈燕晨.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(05)
[4]卷積神經(jīng)網(wǎng)絡(luò)中ReLU激活函數(shù)優(yōu)化設(shè)計(jì)[J]. 王雙印,滕國文.  信息通信. 2018(01)
[5]基于深度學(xué)習(xí)的紅外遙感信息自動(dòng)提取[J]. 陳睿敏,孫勝利.  紅外. 2017(08)
[6]基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的圖像分類性能[J]. 常祥,楊明.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(03)
[7]非線性SGD算法改進(jìn)預(yù)測(cè)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(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)
[9]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 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(luò)訓(xùn)練[J]. 許少華,宋美玲,許辰,朱新寧.  東北石油大學(xué)學(xué)報(bào). 2014(04)

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



本文編號(hào)：3302600