基于分块卷积的大图像输入卷积神经网络优化
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文安排 | 第14-17页 |
| 第二章 卷积神经网络 | 第17-27页 |
| 2.1 人工神经网络 | 第17-20页 |
| 2.1.1 人工神经网络基本概述 | 第17-18页 |
| 2.1.2 人工神经网络基本理论 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-27页 |
| 2.2.1 卷积神经网络的结构及典型架构 | 第20-21页 |
| 2.2.2 卷积过程 | 第21-22页 |
| 2.2.3 降采样过程 | 第22页 |
| 2.2.4 卷积神经网络的学习训练过程 | 第22-27页 |
| 第三章 基于CNN的手写数字识别系统的实现 | 第27-35页 |
| 3.1 基于CNN的手写数字识别 | 第27-28页 |
| 3.1.1 手写数字识别简介 | 第27页 |
| 3.1.2 手写数字识别的一般过程 | 第27-28页 |
| 3.2 数据结构和封装 | 第28-30页 |
| 3.3 系统核心功能 | 第30-32页 |
| 3.3.1 网络的构建 | 第30-31页 |
| 3.3.2 CNN的训练过程 | 第31页 |
| 3.3.3 CNN训练收敛速度的提高 | 第31-32页 |
| 3.4 手写数字识别系统的测评 | 第32-35页 |
| 3.4.1 系统的基本配置 | 第32页 |
| 3.4.2 手写数字识别系统的识别结果 | 第32-35页 |
| 第四章 卷积层分块卷积 | 第35-57页 |
| 4.1 卷积运算展开 | 第35-37页 |
| 4.1.1 卷积运算展开 | 第35-37页 |
| 4.1.2 BLAS库 | 第37页 |
| 4.2 卷积层分块卷积 | 第37-47页 |
| 4.2.1 cache基本原理 | 第37-38页 |
| 4.2.2 卷积展开中矩阵分块 | 第38-41页 |
| 4.2.3 分块卷积的算法实现 | 第41-43页 |
| 4.2.4 分块卷积算法分析 | 第43-44页 |
| 4.2.5 分块卷积的代码实现 | 第44-47页 |
| 4.3 实验结果与分析 | 第47-57页 |
| 4.3.1 实验配置 | 第47-48页 |
| 4.3.2 实验结果与分析 | 第48-52页 |
| 4.3.3 进一步地实验结果与分析 | 第52-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 硕士期间发表论文 | 第64页 |
