| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景与现状 | 第11-12页 |
| 1.3 论文主要内容 | 第12-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第二章 深度学习相关知识简介 | 第15-23页 |
| 2.1 深度学习基本概念 | 第15-16页 |
| 2.1.1 经验E | 第15页 |
| 2.1.2 性能度量P | 第15页 |
| 2.1.3 任务T | 第15-16页 |
| 2.2 深度学习算法中常见网络结构 | 第16-19页 |
| 2.2.1 全连接多层神经网络 | 第16页 |
| 2.2.2 全连接神经网络传播过程 | 第16-17页 |
| 2.2.3 卷积神经网络 | 第17-19页 |
| 2.3 深度学习中常见损失函数 | 第19-20页 |
| 2.3.1 均方差损失函数 | 第19页 |
| 2.3.2 交叉熵损失函数 | 第19-20页 |
| 2.3.3 指数损失函数 | 第20页 |
| 2.3.4 绝对值损失函数 | 第20页 |
| 2.4 常见的数据集 | 第20-22页 |
| 2.4.1 MNIST数据集 | 第20-21页 |
| 2.4.2 CIFAR-10数据集 | 第21页 |
| 2.4.3 ImageNet数据集 | 第21-22页 |
| 2.5 本章总结 | 第22-23页 |
| 第三章 深度学习优化算法介绍 | 第23-28页 |
| 3.1 常见的优化算法 | 第23-27页 |
| 3.1.1 随机梯度下降算法 | 第23页 |
| 3.1.2 动量算法 | 第23-24页 |
| 3.1.3 Nesterov's accelerated gradient算法 | 第24-25页 |
| 3.1.4 AdaGrad算法 | 第25页 |
| 3.1.5 RMSProp算法 | 第25-26页 |
| 3.1.6 Adam算法 | 第26-27页 |
| 3.2 本章总结 | 第27-28页 |
| 第四章 Adam算法的改进——AMM算法 | 第28-37页 |
| 4.1 AMM算法背景介绍 | 第28页 |
| 4.2 AMM算法框架 | 第28-29页 |
| 4.3 AMM算法的收敛性分析 | 第29-31页 |
| 4.4 AMM算法数值实验 | 第31-36页 |
| 4.4.1 实验一: 卷积神经网络+mnist数据集 | 第31-32页 |
| 4.4.2 全连接神经网络+mnist数据集 | 第32-34页 |
| 4.4.3 逻辑回归问题+mnist | 第34-35页 |
| 4.4.4 卷积神经网络+CIFAR10 | 第35-36页 |
| 4.5 本章总结 | 第36-37页 |
| 第五章 其他三种算法的改进 | 第37-46页 |
| 5.1 带BB步长的RMSProp算法 | 第37-38页 |
| 5.1.1 两种传统的BB步长 | 第37-38页 |
| 5.1.2 带两种BB步长的RMSProp算法框架 | 第38页 |
| 5.2 带动量的AdaGrad算法 | 第38-40页 |
| 5.2.1 带动量的AdaGrad算法背景介绍 | 第38-39页 |
| 5.2.2 带动量的AdaGrad算法框架 | 第39-40页 |
| 5.3 改进的动量算法 | 第40页 |
| 5.3.1 改进动量算法背景介绍 | 第40页 |
| 5.3.2 改进的动量算法框架 | 第40页 |
| 5.4 数值实验结果 | 第40-45页 |
| 5.4.1 带两种BB步长的RMSPop算法数值实验 | 第41-42页 |
| 5.4.2 带动量的AdaGrad算法数值实验 | 第42页 |
| 5.4.3 改进的动量算法数值实验 | 第42-45页 |
| 5.5 本章总结 | 第45-46页 |
| 第六章 带模式步的梯度法 | 第46-52页 |
| 6.1 背景介绍 | 第46-47页 |
| 6.2 带模式步的梯度算法框架 | 第47页 |
| 6.3 数值实验结果 | 第47-51页 |
| 6.4 本章总结 | 第51-52页 |
| 第七章 总结与展望 | 第52-53页 |
| 7.1 工作总结 | 第52页 |
| 7.2 下一步研究内容 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间发表的学术论文 | 第56-57页 |
| 附录 | 第57-60页 |
