基于深度学习的图片分类系统的设计与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 论文的背景及意义 | 第17-19页 |
| 1.2 国内外现状分析 | 第19-21页 |
| 1.2.1 图片分类系统的发展和现状 | 第19页 |
| 1.2.2 深度学习的发展和现状 | 第19-21页 |
| 1.3 论文工作内容 | 第21-22页 |
| 1.4 论文的组织结构 | 第22-23页 |
| 第二章 深度学习的原理和关键技术框架 | 第23-31页 |
| 2.1 深度神经网络的原理 | 第23-27页 |
| 2.1.1 卷积神经网络的原理 | 第24-26页 |
| 2.1.2 卷积神经网络训练过程 | 第26-27页 |
| 2.2 Goog Le Net模型 | 第27-29页 |
| 2.3 相关技术框架 | 第29-30页 |
| 2.3.1 MXNet库 | 第29页 |
| 2.3.2 MEAN Stack框架 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 需求分析 | 第31-41页 |
| 3.1 系统的总体分析 | 第31-32页 |
| 3.1.1 系统开发目标 | 第31页 |
| 3.1.2 系统参与者分析 | 第31-32页 |
| 3.1.3 系统边界分析 | 第32页 |
| 3.2 系统需求分析 | 第32-34页 |
| 3.2.1 系统功能需求分析 | 第32-34页 |
| 3.2.2 非功能需求分析 | 第34页 |
| 3.3 具体用例分析 | 第34-38页 |
| 3.3.1 数据生成器用例 | 第34-35页 |
| 3.3.2 训练器用例 | 第35-37页 |
| 3.3.3 分类器用例 | 第37-38页 |
| 3.4 系统数据建模 | 第38-39页 |
| 3.5 领域模型分析 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 系统的设计与实现 | 第41-67页 |
| 4.1 系统架构设计 | 第41-43页 |
| 4.1.1 系统整体架构 | 第41-42页 |
| 4.1.2 Web端子系统的技术框架设计 | 第42-43页 |
| 4.2 系统功能分解 | 第43-45页 |
| 4.3 系统功能设计与实现 | 第45-64页 |
| 4.3.1 生成器设计与实现 | 第45-48页 |
| 4.3.2 深度神经网络模型的设计与实现 | 第48-53页 |
| 4.3.3 训练器的设计与实现 | 第53-56页 |
| 4.3.4 分类器的设计与实现 | 第56-60页 |
| 4.3.5 Web端子系统的设计与实现 | 第60-64页 |
| 4.4 数据库设计 | 第64-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 系统测试与分析 | 第67-79页 |
| 5.1 系统测试环境 | 第67-69页 |
| 5.1.1 系统部署环境 | 第67页 |
| 5.1.2 系统软硬件环境 | 第67-68页 |
| 5.1.3 系统的运行 | 第68-69页 |
| 5.2 测试数据 | 第69-70页 |
| 5.3 系统测试过程 | 第70-75页 |
| 5.3.1 数据生成器功能测试 | 第70-72页 |
| 5.3.2 训练器功能测试 | 第72-73页 |
| 5.3.3 分类器功能测试 | 第73-74页 |
| 5.3.4 Web端子系统功能测试 | 第74-75页 |
| 5.4 测试结果分析 | 第75-77页 |
| 5.5 本章小结 | 第77-79页 |
| 第六章 结束语 | 第79-81页 |
| 6.1 论文工作总结 | 第79页 |
| 6.2 后续工作展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
