| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第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13-14页 |
| 1.2.2 网络压缩研究现状 | 第14-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.3.1 神经网络裁剪 | 第16-17页 |
| 1.3.2 论文研究内容 | 第17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 深度学习基础 | 第19-40页 |
| 2.1 深度学习的特点 | 第19页 |
| 2.2 神经网络层类型 | 第19-24页 |
| 2.2.1 全连接层 | 第19-20页 |
| 2.2.2 卷积层 | 第20-21页 |
| 2.2.3 池化层 | 第21-22页 |
| 2.2.4 Dropout层 | 第22-23页 |
| 2.2.5 批规范化层 | 第23-24页 |
| 2.3 CNN常见网络结构 | 第24-30页 |
| 2.3.1 序贯结构 | 第24页 |
| 2.3.2 自编码结构 | 第24-26页 |
| 2.3.3 Inception结构 | 第26-27页 |
| 2.3.4 Highway结构 | 第27页 |
| 2.3.5 Siamese结构 | 第27-28页 |
| 2.3.6 生成对抗结构 | 第28-30页 |
| 2.4 常用深度学习技术 | 第30-39页 |
| 2.4.1 控制过拟合 | 第30-32页 |
| 2.4.1.1 过拟合与欠拟合 | 第30-31页 |
| 2.4.1.2 网络正则 | 第31页 |
| 2.4.1.3 数据增强 | 第31-32页 |
| 2.4.1.4 Dropout | 第32页 |
| 2.4.1.5 EarlyStopping | 第32页 |
| 2.4.1.6 BatchNormalization | 第32页 |
| 2.4.2 激活函数 | 第32-34页 |
| 2.4.2.1 激活函数的作用 | 第32-33页 |
| 2.4.2.2 Sigmoid与Tanh | 第33页 |
| 2.4.2.3 ReLU | 第33-34页 |
| 2.4.2.4 高级激活函数 | 第34页 |
| 2.4.3 网络训练 | 第34-37页 |
| 2.4.3.1 网络运算的基本过程 | 第34-35页 |
| 2.4.3.2 mini-batch梯度下降 | 第35页 |
| 2.4.3.3 带有动量的梯度下降 | 第35-36页 |
| 2.4.3.4 自适应学习率的梯度下降 | 第36-37页 |
| 2.4.4 其他深度学习技术 | 第37-39页 |
| 2.4.4.1 目标函数 | 第37-38页 |
| 2.4.4.2 网络参数初始化 | 第38页 |
| 2.4.4.3 迁移学习 | 第38-39页 |
| 2.4.4.4 处理样本不均衡问题 | 第39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 神经网络压缩 | 第40-46页 |
| 3.1 神经网络压缩的必要性与可能性 | 第40页 |
| 3.2 神经网络压缩的方法 | 第40-42页 |
| 3.2.1 基于张量分解的网络压缩 | 第40-41页 |
| 3.2.2 基于量化的网络压缩 | 第41页 |
| 3.2.3 基于裁剪的网络压缩 | 第41-42页 |
| 3.3 神经网络冗余性分析与可视化 | 第42-45页 |
| 3.3.1 神经网络可视化技术 | 第43页 |
| 3.3.2 特征图反转 | 第43-45页 |
| 3.3.3 可视化结果展示 | 第45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 渐次全局网络裁剪 | 第46-53页 |
| 4.1 网络裁剪的一般过程 | 第46页 |
| 4.2 神经元贡献评价 | 第46-48页 |
| 4.2.1 数据相关的评价准则 | 第47页 |
| 4.2.2 数据无关的评价准则 | 第47-48页 |
| 4.3 层间神经元贡献偏差与消除 | 第48-50页 |
| 4.4 渐次全局网络裁剪框架 | 第50页 |
| 4.5 算法设计与实现 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 实验设计与分析 | 第53-62页 |
| 5.1 深度学习的开发环境 | 第53-54页 |
| 5.1.1 Python科学计算开发环境 | 第53页 |
| 5.1.2 深度学习框架 | 第53-54页 |
| 5.2 实验设计 | 第54-56页 |
| 5.2.1 验证目标 | 第54-55页 |
| 5.2.2 网络模型与数据集 | 第55-56页 |
| 5.3 评估神经元选择方案的性能 | 第56-58页 |
| 5.3.1 一般应用场景下的全局网络裁剪 | 第56-57页 |
| 5.3.2 应用在迁移学习的网络裁剪 | 第57-58页 |
| 5.4 渐次全局裁剪与等比例裁剪 | 第58页 |
| 5.5 渐次全局裁剪与逐层裁剪 | 第58-60页 |
| 5.6 经过裁剪后的网络结构 | 第60-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 缺点与不足 | 第62-63页 |
| 6.3 工作展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻硕期间取得的研究成果 | 第71-72页 |