首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

关于张量网络和神经网络的关系的研究

摘要第5-6页
abstract第6-7页
第一章 绪论第13-18页
    1.1 研究现状第14-16页
        1.1.1 卷积神经网络可以视为张量网络第14页
        1.1.2 用张量网络/张量分解求解简单的神经网络第14-15页
        1.1.3 受限玻尔兹曼机和张量火车的等价性第15页
        1.1.4 用张量网络来改进神经网络第15-16页
    1.2 本文的主要贡献与创新第16页
    1.3 本论文的结构安排第16-18页
第二章 预备知识第18-31页
    2.1 张量表示第18-19页
        2.1.1 张量的符号表示第18-19页
        2.1.2 张量的图形表示第19页
    2.2 张量网络的基本操作第19-22页
        2.2.1 张量展开第19-21页
        2.2.2 张量收缩第21-22页
    2.3 基本张量分解的张量网络表示第22-26页
        2.3.1 CP分解第22-23页
        2.3.2 塔克分解第23-24页
        2.3.3 块项分解第24-25页
        2.3.4 张量火车分解第25-26页
    2.4 神经网络的定义及其目的第26-27页
    2.5 神经网络的图形表示第27-28页
    2.6 深度神经网络概念第28-30页
        2.6.1 深度的定义第28页
        2.6.2 特征层次结构第28-29页
        2.6.3 深度神经网络应用第29-30页
    2.7 本章小结第30-31页
第三章 并行化概率时间张量分解第31-43页
    3.1 引言第31-32页
    3.2 概率时间张量分解第32-33页
        3.2.1 概率张量分解(PTF)第32页
        3.2.2 概率时间张量分解(PTTF)第32-33页
    3.3 并行化概率时间张量分解第33-39页
        3.3.1 数据分割策略第33-34页
        3.3.2 并行概率时间张量分解模型第34-35页
        3.3.3 并行概率时间张量分解的随机学习算法第35-38页
            3.3.3.1 批学习第36-37页
            3.3.3.2 随机学习第37-38页
        3.3.4 算法复杂度分析第38-39页
    3.4 实验第39-42页
        3.4.1 数据集和参数设置第39页
        3.4.2 均方根误差和效率第39-40页
        3.4.3 可扩展性第40-42页
    3.5 本章小结第42-43页
第四章 基于块项分解的张量化神经网络第43-64页
    4.1 引言第43-45页
    4.2 相关工作及其分析第45-46页
    4.3 图形表示的对偶关系第46-47页
    4.4 基于块项分解的张量化神经网络第47-52页
        4.4.1 用块项层替换全连接层第48-51页
        4.4.2 扩展为替换卷积层第51-52页
    4.5 复杂度分析第52-54页
        4.5.1 参数量第52页
        4.5.2 推理复杂度第52-53页
        4.5.3 复杂度对比第53-54页
    4.6 块项方法和张量火车方法的结构性质分析第54-56页
        4.6.1 张量火车层简介第54页
        4.6.2 可交换性分析第54-55页
        4.6.3 表达能力分析第55-56页
    4.7 实验第56-63页
        4.7.1 在MNIST数据集上的结果第56-57页
        4.7.2 在Cifar10数据集上的结果第57-59页
        4.7.3 在ImageNet数据集上的结果第59-60页
        4.7.4 扩展为替换卷积层的结果第60-61页
        4.7.5 关于块项分解的秩和张量阶数的灵敏度分析第61-62页
        4.7.6 运行时间的对比结果第62-63页
    4.8 本章小结第63-64页
第五章 全文总结与展望第64-66页
    5.1 全文总结第64页
    5.2 后续工作展望第64-66页
致谢第66-67页
参考文献第67-72页
攻读硕士学位期间取得的研究成果第72页

论文共72页,点击 下载论文
上一篇:深度Spiking神经网络模型研究及应用
下一篇:异步水下传感网定位算法研究