基于卷积神经网络的图像分类方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景及意义 | 第10-12页 |
| 1.2 国内外研究发展现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 章节安排 | 第14-16页 |
| 第二章 卷积神经网络的理论及其优化 | 第16-28页 |
| 2.1 卷积神经网络的特点 | 第16-18页 |
| 2.1.1 局部连接 | 第16-17页 |
| 2.1.2 权值共享 | 第17页 |
| 2.1.3 下采样 | 第17-18页 |
| 2.2 卷积神经网络的结构 | 第18-22页 |
| 2.2.1 卷积层 | 第19-20页 |
| 2.2.2 池化层 | 第20-21页 |
| 2.2.3 全连接层 | 第21页 |
| 2.2.4 分类器 | 第21-22页 |
| 2.3 卷积神经网络的优化训练 | 第22-26页 |
| 2.3.1 损失函数 | 第22-23页 |
| 2.3.2 激活函数 | 第23页 |
| 2.3.3 Dropout | 第23-24页 |
| 2.3.4 前向传播和反向传播 | 第24-26页 |
| 2.4 深度学习框架 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 正则化的梯度下降算法比较 | 第28-39页 |
| 3.1 梯度下降算法 | 第28-33页 |
| 3.1.1 基于动量的梯度下降算法 | 第28-31页 |
| 3.1.2 基于自适应学习率的梯度下降算法 | 第31-33页 |
| 3.2 L2 正则化和权重衰减 | 第33-34页 |
| 3.3 两种正则化的梯度下降算法比较 | 第34-38页 |
| 3.3.1 基于SGD算法的比较 | 第35-36页 |
| 3.3.2 基于Adam算法的比较 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于权重衰减的Nadam梯度下降算法 | 第39-45页 |
| 4.1 Nadam梯度下降算法 | 第39-40页 |
| 4.2 基于权重衰减的Nadam梯度下降算法 | 第40-42页 |
| 4.3 卷积神经网络的构造 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验结果及其分析 | 第45-50页 |
| 5.1 数据集描述 | 第45-46页 |
| 5.1.1 MNIST数据集描述 | 第45-46页 |
| 5.1.2 Cifar10 数据集描述 | 第46页 |
| 5.2 实验设置 | 第46-47页 |
| 5.3 结果分析 | 第47-49页 |
| 5.3.1 MNIST数据集的结果分析 | 第47-48页 |
| 5.3.2 Cifar10 数据集的结果分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 全文总结和展望 | 第50-51页 |
| 6.1 全文总结 | 第50页 |
| 6.2 未来工作展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-54页 |
