| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 论文的主要工作 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第二章 深度学习与并行计算基本原理 | 第17-41页 |
| 2.1 传统前馈神经网络模型 | 第17-23页 |
| 2.1.1 感知器 | 第17-19页 |
| 2.1.2 前馈神经网络 | 第19-20页 |
| 2.1.3 神经网络的训练 | 第20-22页 |
| 2.1.4 传统神经网络的问题 | 第22-23页 |
| 2.2 深度学习模型 | 第23-35页 |
| 2.2.1 卷积神经网 | 第23-26页 |
| 2.2.2 深度信念网 | 第26-35页 |
| 2.3 训练方式 | 第35-36页 |
| 2.4 分布式并行计算原理 | 第36-40页 |
| 2.4.1 Hadoop计算框架 | 第36-37页 |
| 2.4.2 Hadoop分布式文件系统 | 第37-38页 |
| 2.4.3 MapReduce分布式计算模型 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 跨域深度信念网的设计与实现 | 第41-53页 |
| 3.1 跨域深度信念网的模型设计 | 第41-42页 |
| 3.2 无标签数据二值化 | 第42-43页 |
| 3.3 有监督训练过程的改造 | 第43页 |
| 3.4 训练算法 | 第43-44页 |
| 3.5 跨域深度信念网的实现 | 第44-46页 |
| 3.5.1 Numpy库与Theano库 | 第44-45页 |
| 3.5.2 MNIST数据集与COIL数据集 | 第45-46页 |
| 3.5.3 预处理 | 第46页 |
| 3.6 实验数据分析 | 第46-51页 |
| 3.6.1 跨域模型的共享层识别 | 第46-47页 |
| 3.6.2 跨域模型的顶层识别与对比 | 第47-49页 |
| 3.6.3 混杂领域样本集大于特定领域样本集时的训练效果 | 第49-50页 |
| 3.6.4 二值化的影响 | 第50-51页 |
| 3.7 本章小结 | 第51-53页 |
| 第四章 跨域深度信念网的并行优化 | 第53-65页 |
| 4.1 跨域深度信念网的并行优化设计 | 第53-55页 |
| 4.2 跨域深度信念网的Hadoop架构 | 第55-56页 |
| 4.3 加速性能指标 | 第56-57页 |
| 4.4 并行跨域深度信念网的实现 | 第57-63页 |
| 4.4.1 工作环境 | 第57页 |
| 4.4.2 Hadoop配置 | 第57-60页 |
| 4.4.3 分布式缓存 | 第60-61页 |
| 4.4.4 Hadoop流 | 第61-62页 |
| 4.4.5 模型序列化 | 第62页 |
| 4.4.6 作业设计 | 第62-63页 |
| 4.5 实验数据分析 | 第63-64页 |
| 4.5.1 选用数据库 | 第63页 |
| 4.5.2 实验结果 | 第63-64页 |
| 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 作者攻读学位期间发表的学术论文目录 | 第71页 |