适于工程化实现的卷积神经网络算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15页 |
| 1.2 研究背景及意义 | 第15-16页 |
| 1.3 研究现状 | 第16-19页 |
| 1.4 论文工作概述 | 第19页 |
| 1.5 论文组织结构 | 第19-21页 |
| 第二章 卷积神经网络的理论基础 | 第21-39页 |
| 2.1 人工神经网络 | 第21-27页 |
| 2.1.1 感知器 | 第21-22页 |
| 2.1.2 多层感知器 | 第22-24页 |
| 2.1.3 反向传播算法 | 第24-27页 |
| 2.2 卷积神经网络的结构 | 第27-31页 |
| 2.2.1 卷积层 | 第28-29页 |
| 2.2.2 池化层 | 第29-31页 |
| 2.2.3 全连接层 | 第31页 |
| 2.3 卷积层的局部连接和权值共享 | 第31-33页 |
| 2.4 卷积神经网络的训练 | 第33-37页 |
| 2.4.1 前向传播 | 第33-34页 |
| 2.4.2 反向传播 | 第34-37页 |
| 2.5 防止过拟合技术 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 卷积神经网络的定点量化算法 | 第39-51页 |
| 3.1 定点数的介绍 | 第39-41页 |
| 3.2 基于不同舍入方式的定点量化 | 第41-43页 |
| 3.2.1 就近舍入的定点量化 | 第41-42页 |
| 3.2.2 随机舍入的定点量化 | 第42-43页 |
| 3.3 对定点量化的微调 | 第43页 |
| 3.4 二值化 | 第43-47页 |
| 3.4.1 BWN | 第44-45页 |
| 3.4.2 XNOR-Net | 第45-47页 |
| 3.5 二值化与定点量化的结合 | 第47-48页 |
| 3.6 本章小结 | 第48-51页 |
| 第四章 卷积神经网络定点量化实验、结果及分析 | 第51-71页 |
| 4.1 深度学习框架介绍 | 第51页 |
| 4.2 图像数据集介绍 | 第51-52页 |
| 4.3 卷积神经网络模型介绍 | 第52-53页 |
| 4.4 实验设计 | 第53-58页 |
| 4.4.1 基于不同舍入方式的定点量化 | 第53-55页 |
| 4.4.2 对定点量化的微调 | 第55页 |
| 4.4.3 二值化 | 第55-56页 |
| 4.4.4 二值化与定点量化的结合 | 第56-57页 |
| 4.4.5 基于预训练的浮点网络的定点测试 | 第57-58页 |
| 4.5 实验结果及分析 | 第58-67页 |
| 4.5.1 基于不同舍入方式的定点量化 | 第58-61页 |
| 4.5.2 对定点量化的微调 | 第61-62页 |
| 4.5.3 二值化 | 第62-63页 |
| 4.5.4 二值化与定点量化的结合 | 第63-64页 |
| 4.5.5 基于预训练的浮点网络的定点测试 | 第64-67页 |
| 4.6 适于硬件实现的量化方法及定点数表示格式 | 第67-69页 |
| 4.7 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 全文总结 | 第71-72页 |
| 5.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
