Tensorflow框架下卷积神经网络图像分类的应用研究

发布时间：2021-07-25 19:06

　　随着人工智能飞速发展,人工智能技术不断与人们生活接触,在不同领域都有了突出贡献。人工智能成为当今研究的重要课题,人们不仅在算法以及硬件技术,还更注重实际应用的研究。深度学习是人工智能的重要组成部分,在图像识别,语言识别,自然语言处理等方面都成为当今主要解决方法。深度学习算法在传统算法基础上研究发明了深度卷积神经网络以满足当今对大量数据的特征提取和学习要求。人们在硬件配置上提出分布式计算,云计算等方法解决此前深度学习对训练环境配置要求高的难题,使更多人能加入深度学习的研究中。世界上众多顶尖高科技公司成立实验室对深度学习寻找更简便更迅速的开发模式,由此产生了本文研究的Tensorflow深度学习框架。云计算中也有阿里云提供可以满足深度学习的计算机能力的云平台。首先本文介绍了本课题的背景、研究意义和国内外研究现状。然后对卷积神经网络的基础理论进行阐述,引出3种重要卷积神经网络模型。本文通过使用云计算以及公有云的能力,以基于python语言的Tensorflow深度学习框架对深度卷积神经网络模型进行研究、应用和改进。之后,我们又介绍了阿里云平台对深度学习的计算环境配置搭建和Tensorflow... 

【文章来源】：江苏科技大学江苏省

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题学术背景和意义
    1.2 国内外研究进展
        1.2.1 深度学习在语音识别领域现状
        1.2.2 深度学习在计算机视觉领域现状
        1.2.3 深度学习在自然语言处理领域现状
        1.2.4 深度学习在搜索广告领域现状
    1.3 深度学习所遇问题
        1.3.1 理论问题
        1.3.2 工程问题
    1.4 本文主要内容
第二章 卷积神经网络的结构与算法
    2.1 神经网络基础思想
        2.1.1 神经元模型
        2.1.2 梯度下降思想
        2.1.3 反向传播算法
    2.2 卷积神经网络结构与主要思想
        2.2.1 多层神经网络结构
        2.2.2 卷积层
        2.2.4 池化层
        2.2.5 全连接层
    2.3 经典神经网络结构
        2.3.1 AlexNet网络
        2.3.2 VGG网络
        2.3.3 ResNet网络
第三章 Tensorflow的云平台深度学习框架
    3.1 Tensorflow深度卷积神经网络框架
        3.1.1 Tensorflow深度学习框架基础介绍
        3.1.2 本地Tensorflow环境搭建
        3.1.3 阿里云平台上深度学习框架搭建
第四章 关于CIFAR-10 数据集的卷积神经网络性能对比
    4.1 CIFAR-10 数据集简介
    4.2 使用Tensorflow对数据集进行预处理
    4.3 AlexNet网络模型构造
        4.3.1 Adagrad算法
        4.3.2 RMSProp算法
        4.3.3 Adam算法
    4.4 VGG网络模型构造
    4.5 训练结果对比与分析
        4.5.1 AlexNet网络模型实验结果
        4.5.2 VGG网络模型实验结果
        4.5.3 实验结果对比分析
    4.6 VGG网络根据训练结构调参
        4.6.1 增加epoch数的训练结果
        4.6.2 数据增强的训练结果
        4.6.3 修改优化器的训练结果
    4.7 实验总结
    4.8 通过网络模型展开预测
第五章 Resnet网络在驾驶员行车状态检测数据集的应用
    5.1 数据集介绍
    5.2 关于数据集的预处理
        5.2.1 生成字典
        5.2.2 缩放图片集
        5.2.3 加载数据成为输入矩阵
    5.3 构造ResNet网络框架
        5.3.1 定义残差单元
        5.3.2 构建ResNet整体结构
    5.4 实验结果
    5.5 优化现有ResNet模型
        5.5.1 优化原理分析
        5.5.2 优化模型训练结果
    5.6 测试集验证工程应用
总结与展望
    1.工作总结
    2.不足与展望
参考文献
攻读硕士学位期间发表的论文情况
致谢
论文摘要


【参考文献】：
期刊论文
[1]人工智能赋能运营商“大连接”战略[J]. 汤人杰,杨巧节.  电信技术. 2018(04)
[2]基于ReLU函数的卷积神经网络的花卉识别算法[J]. 郭子琰,舒心,刘常燕,李雷.  计算机技术与发展. 2018(05)
[3]一种基于深度残差网络的车型识别方法[J]. 刘敦强,沈峘,夏瀚笙,王莹,贾燕晨.  计算机技术与发展. 2018(05)
[4]卷积神经网络中ReLU激活函数优化设计[J]. 王双印,滕国文.  信息通信. 2018(01)
[5]基于深度学习的红外遥感信息自动提取[J]. 陈睿敏,孙胜利.  红外. 2017(08)
[6]基于改进的卷积神经网络的图像分类性能[J]. 常祥,杨明.  重庆理工大学学报(自然科学). 2017(03)
[7]非线性SGD算法改进预测超平面表示方法的研究[J]. 金钊,鲁淑霞.  信息与电脑(理论版). 2016(13)
[8]深度学习研究进展[J]. 郭丽丽,丁世飞.  计算机科学. 2015(05)
[9]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[10]一种基于混合误差梯度下降算法的过程神经网络训练[J]. 许少华,宋美玲,许辰,朱新宁.  东北石油大学学报. 2014(04)

硕士论文
[1]基于卷积神经网络的视频语义概念分析[D]. 詹智财.江苏大学 2016
[2]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[3]基于卷积神经网络的图像识别[D]. 王瑞.河南大学 2015
[4]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[5]基于随机微粒群算法的改进算法研究[D]. 王建丽.太原科技大学 2010



本文编号：3302600