| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 深度学习研究现状 | 第13-15页 |
| 1.2.2 GAN（生成对抗网络）发展研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 深度学习及GAN的相关技术 | 第18-38页 |
| 2.1 神经网络的发展历史 | 第18-20页 |
| 2.2 本文相关深度学习技术概念介绍 | 第20-38页 |
| 2.2.1 卷积运算 | 第20-22页 |
| 2.2.2 转置卷积 | 第22-24页 |
| 2.2.3 卷积神经网络 | 第24-25页 |
| 2.2.4 池化 | 第25-26页 |
| 2.2.5 激活函数 | 第26-29页 |
| 2.2.6 GAN相关概念 | 第29-31页 |
| 2.2.7 LSTM | 第31-33页 |
| 2.2.8 残差网络 | 第33-35页 |
| 2.2.9 反向传播算法 | 第35-38页 |
| 第3章 基于LSTM及DCGAN将语言描述生成图像 | 第38-47页 |
| 3.1 基于LSTM算法及GAN算法的语言生成图像方法模型 | 第38-41页 |
| 3.2 知识要点介绍 | 第41-43页 |
| 3.2.1 独热码（one-hot code）词嵌入（word embedding） | 第41页 |
| 3.2.2 Batch Normalization | 第41-42页 |
| 3.2.3 Adam更新方法 | 第42-43页 |
| 3.3 实验结果展示与分析 | 第43-47页 |
| 3.3.1 实验结果展示 | 第44-45页 |
| 3.3.2 实验结果分析 | 第45-47页 |
| 第4章 基于DCGAN与残差网络的大图像生成方法 | 第47-56页 |
| 4.1 实验模型简介 | 第48-49页 |
| 4.2 多层卷积的作用 | 第49-52页 |
| 4.3 实验结果展示与分析 | 第52-56页 |
| 第5章 总结与展望 | 第56-59页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的学术论文及科研工作 | 第63-64页 |
| 致谢 | 第64页 |
