基于神经网络图灵机的算法学习研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 术语与符号约定 | 第9-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究内容 | 第11-12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第二章 研究现状 | 第14-18页 |
| 2.1 算法学习 | 第14-15页 |
| 2.2 递归神经网络及其变种 | 第15-16页 |
| 2.3 课程学习 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 递归神经网络 | 第18-24页 |
| 3.1 递归神经网络 | 第18-21页 |
| 3.1.1 RNN结构 | 第18-20页 |
| 3.1.2 随时间反向传播算法 | 第20-21页 |
| 3.2 长短时记忆网络 | 第21-22页 |
| 3.3 门单元递归网络 | 第22-23页 |
| 3.4 本章小结 | 第23-24页 |
| 第四章 基于神经网络图灵机的算法学习 | 第24-36页 |
| 4.1 算法学习任务 | 第24-25页 |
| 4.2 神经网络图灵机 | 第25-28页 |
| 4.2.1 读机制 | 第25-26页 |
| 4.2.2 写机制 | 第26页 |
| 4.2.3 寻址机制 | 第26-28页 |
| 4.3 基于神经网络图灵机的算法学习模型设计 | 第28-29页 |
| 4.3.1 二进制编码 | 第28-29页 |
| 4.3.2 One-hot编码 | 第29页 |
| 4.4 实验 | 第29-35页 |
| 4.4.1 实验环境 | 第30页 |
| 4.4.2 评价指标 | 第30页 |
| 4.4.3 网络结构 | 第30-31页 |
| 4.4.4 网络超参数及其调优 | 第31-32页 |
| 4.4.5 实验结果与分析 | 第32-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 基于课程学习的模型训练策略 | 第36-42页 |
| 5.1 课程学习策略 | 第36-37页 |
| 5.2 实验 | 第37-41页 |
| 5.2.1 实验环境 | 第37页 |
| 5.2.2 评价指标 | 第37页 |
| 5.2.3 网络超参数 | 第37页 |
| 5.2.4 课程学习对NTM的影响 | 第37-40页 |
| 5.2.5 课程学习对递归神经网络模型的影响 | 第40-41页 |
| 5.3 本章小结 | 第41-42页 |
| 第六章 改进神经网络图灵机 | 第42-50页 |
| 6.1 激活函数 | 第42-43页 |
| 6.1.1 ReLU激活函数 | 第42-43页 |
| 6.1.2 Sigmoid激活函数 | 第43页 |
| 6.2 改进神经网络图灵机 | 第43-45页 |
| 6.3 实验 | 第45-48页 |
| 6.3.1 实验环境 | 第45页 |
| 6.3.2 评价指标 | 第45页 |
| 6.3.3 网络结构 | 第45页 |
| 6.3.4 网络超参数 | 第45页 |
| 6.3.5 实验结果与分析 | 第45-48页 |
| 6.4 本章小结 | 第48-50页 |
| 第七章 总结与展望 | 第50-52页 |
| 7.1 总结 | 第50页 |
| 7.2 展望 | 第50-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-56页 |
