基于深度学习的图像识别算法研究和应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 导论 | 第10-16页 |
| 1.1 选题的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的主要工作 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 第二章 深度学习与分布式并行计算 | 第16-45页 |
| 2.1 神经网络算法基础 | 第16-28页 |
| 2.1.1 图像分类识别 | 第16-19页 |
| 2.1.2 评分函数和损失函数 | 第19-22页 |
| 2.1.3 梯度下降与反向传播 | 第22-24页 |
| 2.1.4 建模神经网络 | 第24-27页 |
| 2.1.5 训练神经网络 | 第27-28页 |
| 2.2 卷积神经网络算法 | 第28-37页 |
| 2.2.1 建模卷积神经网络 | 第28-32页 |
| 2.2.2 经典卷积神经网络 | 第32-35页 |
| 2.2.3 可视化卷积神经网络 | 第35-37页 |
| 2.3 迁移学习 | 第37-39页 |
| 2.3.1 固定特征提取器与微调 | 第37-38页 |
| 2.3.2 实施迁移学习 | 第38-39页 |
| 2.4 深度学习的分布式并行计算 | 第39-44页 |
| 2.4.1 分布式并行计算框架Hadoop | 第40-41页 |
| 2.4.2 通用并行架构Spark | 第41-42页 |
| 2.4.3 分布式深度学习架构 | 第42-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第三章 卷积神经网络的建模和应用 | 第45-63页 |
| 3.1 深度学习环境搭建 | 第45-48页 |
| 3.2 卷积神经网络训练与微调 | 第48-52页 |
| 3.3 卷积神经网络可视化实现 | 第52-55页 |
| 3.4 深度智能监控系统 | 第55-62页 |
| 3.4.1 区域建议网络 | 第55-57页 |
| 3.4.2 系统架构以及实现 | 第57-60页 |
| 3.4.3 多目标模型训练微调 | 第60-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 深度学习的分布式并行优化 | 第63-71页 |
| 4.1 Hadoop分布式集群搭建 | 第63-66页 |
| 4.2 Spark集群搭建 | 第66-68页 |
| 4.3 深度学习环境的分布式集群实现 | 第68-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 结论和建议 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 后记 | 第76页 |
