| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 图像分类研究的背景与应用 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本论文的主要研究内容与安排 | 第11-12页 |
| 第2章 深度学习系统选取及数据集介绍 | 第12-19页 |
| 2.1 机器学习的概念 | 第12-13页 |
| 2.2 深度学习 | 第13-14页 |
| 2.2.1 深度学习的概念 | 第13页 |
| 2.2.2 人工智能、机器学习和深度学习的关系 | 第13-14页 |
| 2.2.3 深度学习在图像分类领域的应用 | 第14页 |
| 2.3 Google TensorFlow | 第14-16页 |
| 2.3.1 TensorFlow简介 | 第14-15页 |
| 2.3.2 其他已开源的深度学习工具 | 第15-16页 |
| 2.4 CIFAR-10介绍 | 第16-18页 |
| 2.4.1 CIFAR-10数据集介绍 | 第16-17页 |
| 2.4.2 CIFAR-10数据集Python版本 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 卷积神经网络在图像分类中的应用 | 第19-42页 |
| 3.1 卷积神经网络结构 | 第19-23页 |
| 3.1.1 卷积层 | 第20-21页 |
| 3.1.2 池化层 | 第21-22页 |
| 3.1.3 全连接层 | 第22页 |
| 3.1.4 输出层 | 第22-23页 |
| 3.2 神经网络函数 | 第23-25页 |
| 3.2.1 激活函数 | 第23-24页 |
| 3.2.2 损失函数 | 第24-25页 |
| 3.3 神经网络优化方法 | 第25-29页 |
| 3.3.1 梯度下降 | 第25-26页 |
| 3.3.2 学习率 | 第26-27页 |
| 3.3.3 正则化 | 第27-28页 |
| 3.3.4 Dropout | 第28-29页 |
| 3.4 卷积神经网络的训练 | 第29-31页 |
| 3.5 改进与优化的卷积神经网络模型 | 第31-34页 |
| 3.5.1 对于初始化方法的改进 | 第31-32页 |
| 3.5.2 对池化过程的改进 | 第32页 |
| 3.5.3 对学习率的优化 | 第32-33页 |
| 3.5.4 对正则化方法的优化 | 第33-34页 |
| 3.6 实验设计与结果分析 | 第34-41页 |
| 3.6.1 网络模型设计 | 第34-36页 |
| 3.6.2 实验结果与分析 | 第36-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第4章 改进的深度残差网络在图像分类中的应用 | 第42-55页 |
| 4.1 深度残差学习 | 第42-45页 |
| 4.1.1 快捷方式 | 第44页 |
| 4.1.2 恒等映射 | 第44-45页 |
| 4.1.3 残差网络架构 | 第45页 |
| 4.2 改进与优化的残差网络模型 | 第45-48页 |
| 4.2.1 对网络结构层的改进 | 第45-46页 |
| 4.2.2 对池化过程的改进 | 第46-47页 |
| 4.2.3 对残差块的优化 | 第47-48页 |
| 4.3 网络的实现过程 | 第48-49页 |
| 4.4 实验设计与结果分析 | 第49-54页 |
| 4.4.1 网络模型设计 | 第49-53页 |
| 4.4.2 实验结果与分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间所取得的研究成果 | 第60-61页 |
| 致谢 | 第61页 |