| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究工作的背景与意义 | 第8-11页 |
| 1.2 国内外研究历史与现状 | 第11-13页 |
| 1.3 本论文的主要工作内容 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-16页 |
| 第2章 卷积神经网络相关基础知识 | 第16-26页 |
| 2.1 神经元 | 第16-18页 |
| 2.2 卷积神经网络的结构 | 第18-22页 |
| 2.2.1 卷积层 | 第18-21页 |
| 2.2.2 池化层 | 第21-22页 |
| 2.2.3 全连接层 | 第22页 |
| 2.3 卷积神经网络的训练 | 第22-24页 |
| 2.3.1 前向和后向传播 | 第22-24页 |
| 2.3.2 随机梯度下降法 | 第24页 |
| 2.4 减少过拟合的方法 | 第24-25页 |
| 2.4.1 正则化 | 第25页 |
| 2.4.2 Dropout | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于CIFAR-10 数据集在Caffe框架上的基准网络的配置 | 第26-34页 |
| 3.1 Caffe深度学习框架 | 第26-28页 |
| 3.1.1 Caffe框架的概述 | 第26-27页 |
| 3.1.2 Caffe框架的搭建 | 第27-28页 |
| 3.2 选取用于CIFAR-10 分类的基准网络 | 第28-30页 |
| 3.3 在Caffe上对基准网络进行配置和训练 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 卷积神经网络复杂度与其模型性能间关系的研究 | 第34-60页 |
| 4.1 卷积神经网络的复杂度调节 | 第34-35页 |
| 4.2 卷积神经网络的分类精度的预测 | 第35-43页 |
| 4.2.1 2-D的精度分析式的构建 | 第36-39页 |
| 4.2.2 3-D的精度分析式的构建 | 第39页 |
| 4.2.3 整体的精度分析式的构建 | 第39-43页 |
| 4.3 卷积神经网络的时间复杂度分析式的建立 | 第43-46页 |
| 4.4 最小化模型复杂度 | 第46-48页 |
| 4.5 在LFW数据集上验证试验方法的可移植性 | 第48-54页 |
| 4.5.1 验证预测分析式的准确性 | 第49-52页 |
| 4.5.2 目标精度下的最优模型 | 第52-54页 |
| 4.6 将最优模型应用于人脸性别检测系统 | 第54-59页 |
| 4.6.1 系统的开发环境 | 第54-55页 |
| 4.6.2 系统的模块流程 | 第55-57页 |
| 4.6.3 系统功能及运行效果 | 第57-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |