| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 卷积神经网络概述 | 第11-13页 |
| 1.2.2 卷积神经网络的研究现状 | 第13-14页 |
| 1.2.3 网络压缩研究现状 | 第14-15页 |
| 1.3 研究内容及论文组织结构 | 第15-17页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第二章 卷积神经网络压缩模型 | 第17-27页 |
| 2.1 卷积神经网络理论基础 | 第17-19页 |
| 2.1.2 卷积层 | 第17-18页 |
| 2.1.3 池化层 | 第18页 |
| 2.1.4 全连接层 | 第18-19页 |
| 2.1.5 卷积神经网络整体架构 | 第19页 |
| 2.2 几种经典的神经网络压缩模型 | 第19-26页 |
| 2.2.1 SquezeNet | 第19-21页 |
| 2.2.2 Deep Compression | 第21-23页 |
| 2.2.3 Distilling | 第23-24页 |
| 2.2.4 MobileNet | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于MobileNet压缩模型的优化研究 | 第27-36页 |
| 3.1 引言 | 第27页 |
| 3.2 轻量级神经网络模型:MobileNet结构 | 第27-29页 |
| 3.3 常用深度学习技术 | 第29-34页 |
| 3.3.1 控制过拟合 | 第29-31页 |
| 3.3.2 激活函数 | 第31-32页 |
| 3.3.3 softmax交叉熵损失函数 | 第32-34页 |
| 3.4 改进方案 | 第34-35页 |
| 3.4.1 改进思路 | 第34-35页 |
| 3.4.2 改进步骤 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于MobileNet的优化方法的实现 | 第36-50页 |
| 4.1 TensorFlow深度学习框架 | 第36-37页 |
| 4.1.1 TensorFlow简介 | 第36页 |
| 4.1.2 TensorFlow的优势 | 第36-37页 |
| 4.1.3 TFRecord格式数据 | 第37页 |
| 4.2 几种常用的数据集 | 第37-40页 |
| 4.2.1 Data Set数据集 | 第37-40页 |
| 4.3 改进方案在TensorFlow上的实现 | 第40-42页 |
| 4.3.1 在TensorFlow上的实现步骤 | 第40-41页 |
| 4.3.2 在CIFAR数据集上的实现 | 第41-42页 |
| 4.4 实验结果与性能分析 | 第42-48页 |
| 4.4.1 评价标准 | 第42-45页 |
| 4.4.2 优化模型与原MobileNet的实验精度及recall值对比分析 | 第45-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |