| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文研究背景与意义 | 第9页 |
| 1.2 国内外的研究现状 | 第9-11页 |
| 1.3 图像分类的关键技术 | 第11-13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 第2章 深度学习 | 第15-25页 |
| 2.1 浅层学习与深度学习 | 第15-17页 |
| 2.2 深度学习的本质 | 第17-18页 |
| 2.3 深度学习主要模型 | 第18-24页 |
| 2.3.1 自动编码器（Auto Encoder） | 第18页 |
| 2.3.2 深度信念网络（DBN） | 第18页 |
| 2.3.3 卷积神经网络 | 第18-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 框架选定 | 第25-31页 |
| 3.1 深度学习的常用框架 | 第25-26页 |
| 3.2 网络实现的不同方式 | 第26-29页 |
| 3.3 分布式训练对比 | 第29页 |
| 3.4 对比总结TensorFlow的优点 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 基于GPU快速卷积神经网络的图像分类研究 | 第31-41页 |
| 4.1 基于GPU的卷积神经网络设计关键点 | 第31页 |
| 4.2 cifar-10 数据集 | 第31-32页 |
| 4.3 基于GPU的卷积神经网络模型架构 | 第32-34页 |
| 4.4 训练流程设计 | 第34-37页 |
| 4.5 开始执行并训练模型 | 第37-38页 |
| 4.6 评估模型 | 第38-39页 |
| 4.7 多GPU训练模型 | 第39-40页 |
| 4.8 实验结果分析 | 第40页 |
| 4.9 本章小结 | 第40-41页 |
| 第5章 多参数优化的深层卷积神经网络图像分类研究 | 第41-65页 |
| 5.1 深层卷积神经网络设计模型 | 第41-46页 |
| 5.1.1 conv1设计 | 第42-43页 |
| 5.1.2 conv2设计 | 第43-44页 |
| 5.1.3 conv3设计 | 第44页 |
| 5.1.4 conv4设计 | 第44-45页 |
| 5.1.5 conv5设计 | 第45页 |
| 5.1.6 fc6全链接层设计 | 第45-46页 |
| 5.1.7 fc7全链接层设计 | 第46页 |
| 5.1.8 输出分类层设计 | 第46页 |
| 5.2 卷积层及全链接层的改进 | 第46-48页 |
| 5.3 深层卷积神经网络的训练及测试算法 | 第48-49页 |
| 5.4 优化网络参数 | 第49-61页 |
| 5.4.1 特征可视化 | 第50-57页 |
| 5.4.2 设定batch的值 | 第57页 |
| 5.4.3 dropout的设计 | 第57-60页 |
| 5.4.4 momentum动量值的设置 | 第60-61页 |
| 5.4.5 数据集扩增 | 第61页 |
| 5.5 实验结果与分析 | 第61-63页 |
| 5.5.1 数据库cifar-10 实验结果及分析 | 第62-63页 |
| 5.5.2 数据库cifar-100 的实验结果及其分析 | 第63页 |
| 5.6 本章小结 | 第63-65页 |
| 第6章 总结 | 第65-67页 |
| 6.1 论文总结 | 第65-66页 |
| 6.2 研究工作展望 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
