| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外发展现状 | 第15-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第二章 基于LSTM的神经机器翻译模型 | 第19-34页 |
| 2.1 循环神经网络 | 第19-21页 |
| 2.2 长短时记忆网络 | 第21-24页 |
| 2.3 Seq2Seq模型 | 第24-25页 |
| 2.4 注意力机制 | 第25-29页 |
| 2.5 模型压缩方法 | 第29-32页 |
| 2.5.1 剪枝 | 第29-30页 |
| 2.5.2 量化 | 第30-31页 |
| 2.5.3 知识蒸馏 | 第31-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 神经机器翻译模型及其剪枝优化 | 第34-57页 |
| 3.1 深度学习框架PyTorch | 第34-36页 |
| 3.1.1 张量 | 第34-35页 |
| 3.1.2 自动求导机制与Variable | 第35-36页 |
| 3.1.3 PyTorch中的长短时记忆网络API | 第36页 |
| 3.2 PyTorch中的Seq2Seq模型实现 | 第36-41页 |
| 3.2.1 Encoder | 第36-38页 |
| 3.2.2 Decoder | 第38-39页 |
| 3.2.3 包含注意力机制的Decoder | 第39-41页 |
| 3.3 OpenNMT语言模型 | 第41-50页 |
| 3.3.1 数据预处理 | 第41-42页 |
| 3.3.2 训练模块 | 第42-44页 |
| 3.3.3 翻译模块 | 第44-46页 |
| 3.3.4 BLEU算法 | 第46-49页 |
| 3.3.5 集束搜索算法 | 第49-50页 |
| 3.4 神经机器翻译模型的剪枝优化 | 第50-56页 |
| 3.4.1 Seq2Seq模型的权值类型 | 第50-51页 |
| 3.4.2 权值剪枝 | 第51-53页 |
| 3.4.3 权值剪枝的实现 | 第53-54页 |
| 3.4.4 剪枝模型的重新训练 | 第54-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 实验与分析 | 第57-67页 |
| 4.1 硬件环境 | 第57页 |
| 4.2 数据集介绍 | 第57-58页 |
| 4.3 实验 | 第58-65页 |
| 4.3.1 普通Seq2Seq模型的运行结果 | 第58-60页 |
| 4.3.2 不同剪枝类型的效果对比 | 第60-61页 |
| 4.3.3 分类剪枝 | 第61-63页 |
| 4.3.4 剪枝模型的重新训练 | 第63-64页 |
| 4.3.5 剪枝-重新训练过程的迭代 | 第64-65页 |
| 4.4 普遍性测试 | 第65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-70页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的工作和成果 | 第74-75页 |
| 致谢 | 第75-77页 |