若干深度学习库解决手写体数字分类问题的比较研究

发布时间：2023-02-10 08:47

　　目前,机器学习正在蓬勃发展。机器学习不仅与更快,更容易,更便宜的数据的收集与处理的方法有关,还与来自于物理学、生物学、经济等学科采集的数据进行建模的方法的发展有关。在一些任务中,当难以建模时,可运用深度学习方法,使用各种线性,非线性转换(通常表示为人工神经网络)对数据进行抽象建模,神经网络已成功用于解决诸如预测、模式识别、数据压缩等问题。本文研究的目的旨在对一些深度学习库的软件工具进行比较分析,如:Caffe、Pylearn2、Torch和Theano。本研究是以解决深度学习的疑难任务之一即识别手写数字的问题为例进行的,以手写数字图像数据库(MNIST)用作测试数据集。本文中,将对两种类型的神经网络MLP和CNN进行CPU和GPU研究分析,研究的结果通过六个方面对上述四个深度学习库进行评估:1)学习速度;2)分类速度;3)易用性;4)配置灵活性;5)功能性;6)文档的可访问性、易用性。根据上面研究的结果,本文还讨论了使用其中某些库来解决寻找行人和汽车的问题。

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
Introduction
1 Methods of deep learning
    1.1 Unsupervised learning systems
        1.1.1 Limited Boltzmann machine
        1.1.2 Autocoder
        1.1.3 Deep belief network
    1.2 Teaching with the teacher
        1.2.1 The convolutional neural network
        1.2.2 Artificial Neural Networks
2 Research purpose
    2.1 MNIST Dataset
    2.2 Software tools for solving problems of deep learning
        2.2.1 Operation system
        2.2.2 CUDA Toolkit
        2.2.3 Caffe library
        2.2.4 Pylearn2 library
        2.2.5 Torch Library
        2.2.6 Theano library
3 Setting up libraries
    3.1 Setup Caffe library
    3.2 Setup Pylearn2 library
    3.3 Setup Torch library
    3.4 Test infrastructure
    3.5 Network topologies and learning parameters
4 Experimental results
    4.1 Library Evaluation Criteria
    4.2 Scoring and comparing libraries
5 Conclusions and Future Work
    5.1 Conclusions
    5.2 Future Work
Acknowledgements
References
Academic Achievements



本文编号：3739382