| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 深度学习概述 | 第11-12页 |
| 1.2 深度学习应用 | 第12-15页 |
| 1.2.1 在图像识别中的应用 | 第12-14页 |
| 1.2.2 在语音识别中的应用 | 第14-15页 |
| 1.3 深度学习的研究现状 | 第15页 |
| 1.4 本文的主要工作 | 第15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第二章 常见深度网络结构介绍 | 第17-27页 |
| 2.1 深度卷积网络 | 第17-20页 |
| 2.1.1 概述 | 第17页 |
| 2.1.2 网络结构 | 第17-19页 |
| 2.1.3 卷积网络的训练细节 | 第19-20页 |
| 2.2 受限玻尔兹曼机 | 第20-24页 |
| 2.2.1 能量模型 | 第20-21页 |
| 2.2.2 受限玻尔兹曼机 | 第21-22页 |
| 2.2.3 吉布斯采样 | 第22-23页 |
| 2.2.4 对比分歧算法 | 第23-24页 |
| 2.3 自编码网络 | 第24-26页 |
| 2.3.1 概述 | 第24-25页 |
| 2.3.2 特殊的自编码网络 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 优化方法研究 | 第27-47页 |
| 3.1 随机梯度下降法 | 第27-36页 |
| 3.1.1 概述 | 第27页 |
| 3.1.2 大数据下的应用 | 第27-29页 |
| 3.1.3 深度学习中随机梯度下降法的一些使用技巧 | 第29-36页 |
| 3.2 二阶优化方法 | 第36-39页 |
| 3.2.1 牛顿法 | 第36-37页 |
| 3.2.2 共轭梯度法 | 第37-38页 |
| 3.2.3 拟牛顿法 | 第38-39页 |
| 3.3 Hessian Free方法 | 第39-42页 |
| 3.3.1 算法介绍 | 第39-41页 |
| 3.3.2 基于MPI并行化 | 第41-42页 |
| 3.4 基于FFT的深度卷积网络优化 | 第42-46页 |
| 3.4.1 理论分析 | 第42-43页 |
| 3.4.2 实验 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 深度网络特征显示算法研究 | 第47-53页 |
| 4.1 基于反卷积网络的特征显示算法 | 第47-49页 |
| 4.1.1 通过反卷积网络实现可视化 | 第47-48页 |
| 4.1.2 特征展示 | 第48-49页 |
| 4.2 基于最大激活值的特征显示算法 | 第49-50页 |
| 4.2.1 基于最大激活值的可视化 | 第49-50页 |
| 4.2.2 特征展示 | 第50页 |
| 4.3 本章小结 | 第50-53页 |
| 第五章 深度学习在主机负载预测中的应用 | 第53-63页 |
| 5.1 概述 | 第53页 |
| 5.2 基于PSR和EA-GMDH相结合的主机负载预测算法 | 第53-57页 |
| 5.2.1 概述 | 第53-54页 |
| 5.2.2 相空间重构 | 第54页 |
| 5.2.3 EA-GMDH算法 | 第54-57页 |
| 5.3 Feature-ESN主机负载预测算法 | 第57-59页 |
| 5.3.1 回声状态网络 | 第57-59页 |
| 5.4 实验结果 | 第59-61页 |
| 5.4.1 数据集和参数选择 | 第59-60页 |
| 5.4.2 实验结果 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 第七章 附录 | 第65-66页 |
| 7.1 加入特征层后的回声状态网络的特征层梯度计算 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 科研成果 | 第70-71页 |
| 致谢 | 第71-73页 |
| 附件 | 第73页 |
