| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-23页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 深度学习算法综述 | 第11-16页 |
| 1.2.1 人工神经网络的发展 | 第11-15页 |
| 1.2.2 深度学习的发展 | 第15-16页 |
| 1.3 深度学习国内外研究现状 | 第16-22页 |
| 1.3.1 AlexNet | 第16-17页 |
| 1.3.2 VGG | 第17-18页 |
| 1.3.3 Inception | 第18-20页 |
| 1.3.4 ResNet | 第20-21页 |
| 1.3.5 DenseNet | 第21-22页 |
| 1.4 本文的组织结构 | 第22-23页 |
| 第2章 深度神经网络的训练 | 第23-37页 |
| 2.1 激活函数的选择 | 第23-25页 |
| 2.1.1 ReLU | 第23-24页 |
| 2.1.2 PReLU | 第24-25页 |
| 2.2 批标准化 | 第25-26页 |
| 2.3 参数初始化策略 | 第26页 |
| 2.4 自适应学习率算法 | 第26-29页 |
| 2.4.1 AdaGrad | 第26-27页 |
| 2.4.2 RMSProp | 第27-28页 |
| 2.4.3 Adam | 第28-29页 |
| 2.5 正则化方法 | 第29-36页 |
| 2.5.1 参数范数惩罚 | 第29-30页 |
| 2.5.2 数据集增强 | 第30-34页 |
| 2.5.3 Dropout | 第34-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第3章 结合DROPOUT的简化批标准化网络FAST-DROPOUT | 第37-46页 |
| 3.1 协变量偏移理论及其在深度神经网络中的应用 | 第37-40页 |
| 3.2 简化的批标准化算法 | 第40-43页 |
| 3.3 结合DROPOUT的批标准化策略 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 实验与结果分析 | 第46-53页 |
| 4.1 软硬件环境配置 | 第46-47页 |
| 4.1.1 基本配置 | 第46-47页 |
| 4.1.2 深度学习框架TensorFlow | 第47页 |
| 4.2 协变量偏移理论及错定模型的验证 | 第47-49页 |
| 4.3 简化的批标准化算法的加速效果验证 | 第49页 |
| 4.4 FAST-DROPOUT模型效果验证 | 第49-52页 |
| 4.4.1 数据集的选择 | 第49-51页 |
| 4.4.2 实验准备 | 第51-52页 |
| 4.4.3 实验与结果分析 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 作者简介 | 第57-58页 |
| 致谢 | 第58页 |