| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 本文研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传统图像分类技术 | 第12-13页 |
| 1.2.2 深度学习 | 第13-14页 |
| 1.2.3 分布式深度学习 | 第14-16页 |
| 1.3 研究目标和内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 深度学习图像分类相关技术及分析 | 第19-34页 |
| 2.1 深度学习 | 第19-22页 |
| 2.2 卷积神经网络 | 第22-26页 |
| 2.2.1 卷积神经网络结构 | 第22-23页 |
| 2.2.2 卷积神经网络的训练 | 第23-26页 |
| 2.3 分布式深度学习 | 第26-29页 |
| 2.3.1 数据并行 | 第27-28页 |
| 2.3.2 模型并行 | 第28-29页 |
| 2.4 深度学习工具 | 第29-31页 |
| 2.4.1 Caffe | 第29-30页 |
| 2.4.2 CaffeOnSpark | 第30-31页 |
| 2.5 分类测试图像库 | 第31-33页 |
| 2.5.1 PI100商品图像分类库 | 第31-32页 |
| 2.5.2 通用图像数据库 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于异步SGD算法的CaffeOnSpark分布式实现 | 第34-45页 |
| 3.1 异步SGD的CaffeOnSpark算法的提出 | 第34页 |
| 3.2 异步SGD的CaffeOnSpark设计 | 第34-37页 |
| 3.2.1 理论分析 | 第34-36页 |
| 3.2.2 结构设计 | 第36-37页 |
| 3.3 异步SGD的CaffeOnSpark实现 | 第37-39页 |
| 3.4 实验及对比分析 | 第39-44页 |
| 3.4.1 实验环境 | 第39页 |
| 3.4.2 CaffeOnSpark性能测试 | 第39-43页 |
| 3.4.3 同步式与异步式CaffeOnSpark对比实验 | 第43-44页 |
| 3.5 本章小节 | 第44-45页 |
| 第4章 基于随机数据分片异步SGD算法的改进 | 第45-53页 |
| 4.1 基于随机数据分片算法的提出 | 第45-46页 |
| 4.2 随机数据分片算法的设计 | 第46-47页 |
| 4.2.1 随机数据分片策略 | 第46页 |
| 4.2.2 弱同步策略 | 第46-47页 |
| 4.3 随机数据分片算法的实现 | 第47-49页 |
| 4.4 实验及结果分析 | 第49-52页 |
| 4.4.1 减少通信冲突实验 | 第49-50页 |
| 4.4.2 弱同步策略实验 | 第50-51页 |
| 4.4.3 改进算法和同步式比较 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 改进算法在商品图像分类中的应用 | 第53-59页 |
| 5.1 分类模型设计 | 第53-54页 |
| 5.2 分布式训练 | 第54-56页 |
| 5.3 迁移学习 | 第56-58页 |
| 5.3.1 迁移学习概念 | 第56-57页 |
| 5.3.2 迁移学习实现 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第65-66页 |
| 致谢 | 第66-67页 |
