摘要随着大数据的广泛应用和计算机运算能力的发展，深度卷积神经网络在计算机视觉领域得到了广泛的应用。为了达到更好的结果，目前的深度神经网络架构正在变得越来越复杂，但是它存在运算量大、运行时间长和内存消耗量大等问题，使得深度卷积神经网络难以应用到实际应用中。针对这一问题，本课题深入研究迁移学习算法，对现有的卷积神经网络模型进行改进，提出一个新的模型架构，该模型在参数量、内存消耗等方面相比于其他复杂网络有一定的优势。最后为了验证本算法的正确性和有效性，本文在三个标准数据集上(cifar10、cifar100和SVHN) 进行实验，得到了不错的识别效果，具有较强的实际使用价值。87707
毕业论文关键词 深度学习 卷积神经网络 迁移学习
毕业设计说明书外文摘要
Title Transfer Learning with Convolutional Neural Network
Abstract With the wide application of big data and the development of computer computing capability, deep Convolutional Neural Network (CNN) has been widely applied in the field of computer vision。 For achieving a better performance, the current architecture of deep neural network is becoming deeper and more complex。 However, these naturally disadvantages (such as lager consumption of computation and memory, longer run-time, and etc。) make CNN models difficult to be applied in the practical tasks。 To solve this problem, this thesis proposes a novel Transfer Learning algorithm with Convolutional Neural Network (TL-CNN) for better optimizing these traditional CNN models。 TL-CNN, which is with less consumption of computation and memory, can be seen as an improved CNN model。 The experimental results on three benchmark datasets (cifar10, cifar100 and SVHN) well demonstrate that the proposed TL-CNN algorithm can get a good performance, compared with these traditional CNN models。
Keywords Deep Learning Convolutional Neural Network Transfer Learning
目录
1 绪论 1
1。1 深度学习概述 1
1。3 课题研究背景及意义 4
2 深度学习常用模型 6
2。1 自动编码器 6源-于,优Z尔%论^文.网wwW.yOueRw.com 原文+QQ752018~766
2。2 递归神经网络 6
2。3 限制玻尔兹曼机 8
2。4 深度置信网络 9
2。5 卷积神经网络 10
3 基于卷积神经网络的迁移学习算法 13
3。1 迁移学习方法架构图 13
3。2 卷积神经网络中软性目标的信息提取 14
3。3 基于软性目标与硬性目标的迁移学习算法 16
4 实验结果及分析 19
4。1 实验设置 19
4。1。1 实验参数 19
4。1。2 实验平台 19
4。2 实验数据集 20
4。3 实验结果 21
5 总结与展望 23
参 考 文 献 25
1 基于卷积神经网络的迁移方法研究:http://www.youerw.com/jisuanji/lunwen_143826.html