毕业论文课题相关文献综述
一、选题背景深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。
它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术,随着深度学习的广泛应用,为推动人工智能在多个行业的应用发挥了重要作用。
常用的深度学习神经网络有深度置信网络DBN、循环神经网络RNN、卷积神经网络CNN。
其中深度置信网络是在限制玻尔兹曼机的基础上提出的,用于解决传统 BP 神经网络随着网络深度增加导致训练过程变慢、以及网络收敛在局部最优解的问题。
循环神经网络是一种时间序列信息分析模型,它对所计算过的序列有一定的记忆能力,循环的意义在于网络对于序列中每个元素都执行同样的任务,它可以利用任意长度序列的信息,主要应用于语音识别领域领域。
卷积神经网络通过输入原始图片,经过不同的卷积层、池化层可以提取相对应的特征,主要应用于图像处理领域。
在深度学习研究的初始阶段,研究者们在做算法实验时需要编写大量的重复代码,为提高研究工作效率,研究者们将代码写成框架发布到网上共享,目前最为流行的框架有 TensorFlow、Caffe、Torch 和 PyTorch 等。
TensorFlow 是由 Google 开发的开源数学计算软件,使用数据流图 (Data Flow Graph) 的形式进行计算。
TensorFlow 目前支持 Python、C 、Java、Go、R 等,使用 C Eigen 库,可在 ARM 架构上编译和优化,所以其灵活的架构能让用户在一个或多个CPU、GPU 的单机及服务器、移动设备上部署自己的训练模型。
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。