| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 深度学习在图像识别领域的研究现状 | 第11-12页 |
| 1.2.2 深度学习在自然语言处理领域的研究现状 | 第12-13页 |
| 1.3 本文研究目标与内容结构 | 第13-16页 |
| 1.3.1 研究目标 | 第13-14页 |
| 1.3.2 内容结构 | 第14-16页 |
| 2 卷积神经网络与Word2Vec | 第16-32页 |
| 2.1 卷积神经网络 | 第16-25页 |
| 2.1.1 卷积神经网络概述 | 第16-17页 |
| 2.1.2 卷积神经网络结构 | 第17-18页 |
| 2.1.3 局部感知与权值共享 | 第18-19页 |
| 2.1.4 卷积与池化 | 第19-22页 |
| 2.1.5 反向传播 | 第22-24页 |
| 2.1.6 Softmax回归 | 第24-25页 |
| 2.2 Word2Vec | 第25-30页 |
| 2.2.1 词的向量表示 | 第26页 |
| 2.2.2 神经网络语言模型 | 第26-28页 |
| 2.2.3 Word2Vec语言模型 | 第28-30页 |
| 2.3 本章小结 | 第30-32页 |
| 3 图像识别与文字推荐系统的设计 | 第32-44页 |
| 3.1 图像识别与文字推荐系统选型依据 | 第32-34页 |
| 3.2 图像识别与文字推荐系统设计 | 第34-37页 |
| 3.2.1 推荐系统结构的设计 | 第35-36页 |
| 3.2.2 推荐系统处理流程的设计 | 第36-37页 |
| 3.3 图像识别与文字推荐系统模型设计 | 第37-43页 |
| 3.3.1 经典卷积神经网络模型 | 第37-39页 |
| 3.3.2 本文设计的卷积神经网络模型结构 | 第39-42页 |
| 3.3.3 本文卷积神经网络的特点与优势 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 图像识别与文字推荐系统的实现 | 第44-72页 |
| 4.1 训练数据集的准备 | 第44-49页 |
| 4.1.1 图像训练数据集 | 第44-47页 |
| 4.1.2 文字训练数据集 | 第47-49页 |
| 4.2 TensorFlow深度学习框架的搭建 | 第49-58页 |
| 4.2.1 TensorFlow框架基本用法 | 第49-51页 |
| 4.2.2 GPU加速与TensorFlow框架的配置 | 第51-52页 |
| 4.2.3 基于TensorFlow的网络模型的构建 | 第52-58页 |
| 4.3 神经网络模型的训练过程 | 第58-65页 |
| 4.3.1 图像识别网络的训练 | 第58-64页 |
| 4.3.2 Word2Vec的训练 | 第64-65页 |
| 4.4 系统的实现 | 第65-70页 |
| 4.4.1 图像识别子模型的实现 | 第65-66页 |
| 4.4.2 文字匹配子模型的实现 | 第66-67页 |
| 4.4.3 终端APP | 第67页 |
| 4.4.4 成果展示 | 第67-70页 |
| 4.5 本章小结 | 第70-72页 |
| 5 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第78-82页 |
| 学位论文数据集 | 第82页 |