面向深度学习的自适应激活函数的研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究背景及意义 | 第9-11页 |
| 1.2 课题研究现状 | 第11-13页 |
| 1.3 论文的研究内容与创新 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 深度神经网络 | 第16-25页 |
| 2.1 简介 | 第16页 |
| 2.2 传统神经网络模型 | 第16-18页 |
| 2.3 反向传播算法与梯度下降 | 第18-19页 |
| 2.4 卷积神经网络的基本结构 | 第19-22页 |
| 2.5 循环神经网络的基本结构 | 第22-25页 |
| 第3章 自适应激活函数调节方法 | 第25-48页 |
| 3.1 神经科学的启发 | 第25-27页 |
| 3.2 方法定义 | 第27-29页 |
| 3.3 实验与分析 | 第29-46页 |
| 3.3.1 基于MNIST数据集的实验 | 第29-41页 |
| 3.3.2 基于CIFAR-10数据集的实验 | 第41-44页 |
| 3.3.3 基于PTB数据集的实验 | 第44-46页 |
| 3.4 初始化方法 | 第46-48页 |
| 第4章 基于自适应调节方法的新型激活函数 | 第48-55页 |
| 4.1 适用于CNN的新型激活函数 | 第48-53页 |
| 4.1.1 定义 | 第48-49页 |
| 4.1.2 实验结果与分析 | 第49-53页 |
| 4.2 适用于RNN的新型激活函数 | 第53-55页 |
| 4.2.1 定义 | 第53页 |
| 4.2.2 实验结果与分析 | 第53-55页 |
| 第5章 总结与展望 | 第55-56页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间参与的科研项目与获得的科研成果 | 第64页 |
