| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-22页 |
| 1.2.1 剪枝法 | 第15-17页 |
| 1.2.2 二值化法 | 第17-18页 |
| 1.2.3 蒸馏法 | 第18-19页 |
| 1.2.4 结构法 | 第19-22页 |
| 1.3 本文主要研究内容和贡献 | 第22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第二章 相关理论介绍 | 第24-37页 |
| 2.1 深度学习发展历程 | 第24-27页 |
| 2.2 卷积神经网络基本单元 | 第27-33页 |
| 2.2.1 全连接层 | 第27-28页 |
| 2.2.2 卷积层 | 第28-29页 |
| 2.2.3 激活层 | 第29-31页 |
| 2.2.4 池化层 | 第31页 |
| 2.2.5 损失层 | 第31-32页 |
| 2.2.6 其他层 | 第32-33页 |
| 2.3 常见的卷积神经网络结构 | 第33-34页 |
| 2.4 深度学习主流框架平台介绍 | 第34-35页 |
| 2.5 深度神经网络模型的训练和微调 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 基于熵的通道选择方法研究 | 第37-54页 |
| 3.1 算法概述 | 第37页 |
| 3.2 算法框架结构 | 第37-40页 |
| 3.2.1 算法整体框架 | 第37-39页 |
| 3.2.2 基于熵的剪枝度量方法 | 第39-40页 |
| 3.2.3 网络修剪总体流程 | 第40页 |
| 3.3 实验与结果 | 第40-51页 |
| 3.3.1 数据集预处理 | 第40-43页 |
| 3.3.2 LFW准确率测试方法介绍 | 第43-45页 |
| 3.3.3 VGG-16卷积网络 | 第45-49页 |
| 3.3.4 WebFace卷积网络 | 第49-50页 |
| 3.3.5 算法有效性分析 | 第50-51页 |
| 3.4 方法在大数据集上的表现 | 第51页 |
| 3.5 在残差网络结构上的表现 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 基于最优子集的通道选择方法研究 | 第54-67页 |
| 4.1 基于数据驱动的通道选择方法原理 | 第54-58页 |
| 4.1.1 构建评估集合 | 第55-57页 |
| 4.1.2 目标函数 | 第57-58页 |
| 4.2 基于最优子集的通道选择方法 | 第58-63页 |
| 4.2.1 不同的通道选择标准 | 第59页 |
| 4.2.2 VGG-16在小数据集上的实验结果 | 第59-61页 |
| 4.2.3 WebFace在小数据集上的实验结果 | 第61-62页 |
| 4.2.4 熵方法和最优子集法的比较 | 第62-63页 |
| 4.3 MS-Celeb-1M数据集上的实验和结果 | 第63-64页 |
| 4.3.1 VGG-16网络压缩实验和结果 | 第63-64页 |
| 4.3.2 不同数据集对模型压缩效果的影响 | 第64页 |
| 4.4 ResNet-50网络压缩效果 | 第64-65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 |
| 硕士期间发表学术论文情况 | 第74-75页 |
| 致谢 | 第75页 |