基于深度學(xué)習(xí)的圖像識別與文字推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、深度學(xué)習(xí)(DL，Deep Learning)是機(jī)器學(xué)習(xí)(ML，Machine Learning)的一個(gè)重要方法和研究方向，屬于人工智能(AI，Artificial Intelligence)領(lǐng)域的重要分支。隨著大數(shù)據(jù)技術(shù)的發(fā)展，深度學(xué)習(xí)迎來了又一個(gè)快速發(fā)展的時(shí)期，這也使得深度學(xué)習(xí)理論與算法研究煥發(fā)新的活力。
　　卷積神經(jīng)網(wǎng)絡(luò)(CNN，Convolutional Neural Network)作為深度學(xué)習(xí)模型的代表，是模擬視覺系統(tǒng)層

2、次化的工作模式，在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建具有層次化結(jié)構(gòu)的人工網(wǎng)絡(luò)模型。其局部感知、層次結(jié)構(gòu)化等特點(diǎn)在處理圖像識別問題上具有巨大優(yōu)勢，在現(xiàn)代模式識別領(lǐng)域獲得了廣泛應(yīng)用。本文在整理與總結(jié)國內(nèi)外深度學(xué)習(xí)的基本理論成果與在工程上的應(yīng)用現(xiàn)狀，并對卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析的基礎(chǔ)上，結(jié)合Word2Vec與TensorFlow深度學(xué)習(xí)框架，開發(fā)了圖像識別與文字推薦系統(tǒng)，以工程應(yīng)用為背景對其理論成果進(jìn)行研究。
　　本文主要進(jìn)行了以下幾項(xiàng)工作:整理國內(nèi)

3、外深度學(xué)習(xí)的研究成果，并對深度學(xué)習(xí)的背景與應(yīng)用進(jìn)行總結(jié);分析卷積神經(jīng)網(wǎng)絡(luò)與Word2Vec的結(jié)構(gòu)與基本原理，并對理解網(wǎng)絡(luò)模型所需的基本算法進(jìn)行了介紹;設(shè)計(jì)本文的圖像識別與文字推薦系統(tǒng)，并以經(jīng)典CNN網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)設(shè)計(jì)基于本文推薦的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);進(jìn)行數(shù)據(jù)集的準(zhǔn)備、深度學(xué)習(xí)框架的搭建及本文模型訓(xùn)練工作，并實(shí)現(xiàn)本文圖像識別與文字推薦系統(tǒng);
　　通過以上工作，本文從工程項(xiàng)目應(yīng)用的角度驗(yàn)證了深度學(xué)習(xí)在圖像識別與自然語言處理問題上的優(yōu)勢。