本文選題：大數(shù)據(jù) + 深度學(xué)習(xí)��； 參考：《高技術(shù)通訊》2017年01期

【摘要】：給出了大數(shù)據(jù)和機(jī)器學(xué)習(xí)的子領(lǐng)域——深度學(xué)習(xí)的概念,闡述了深度學(xué)習(xí)對(duì)獲取大數(shù)據(jù)中的有價(jià)值信息的重要作用。描述了大數(shù)據(jù)下利用圖像處理單元(GPU)進(jìn)行并行運(yùn)算的深度學(xué)習(xí)框架,對(duì)其中的大規(guī)模卷積神經(jīng)網(wǎng)絡(luò)(CNN)、大規(guī)模深度置信網(wǎng)絡(luò)(DBN)和大規(guī)模遞歸神經(jīng)網(wǎng)絡(luò)(RNN)進(jìn)行了重點(diǎn)論述。分析了大數(shù)據(jù)的容量、多樣性、速率特征,介紹了大規(guī)模數(shù)據(jù)、多樣性數(shù)據(jù)、高速率數(shù)據(jù)下的深度學(xué)習(xí)方法。展望了大數(shù)據(jù)背景下深度學(xué)習(xí)的發(fā)展前景,指出在不遠(yuǎn)的將來(lái),大數(shù)據(jù)與深度學(xué)習(xí)融合的技術(shù)將會(huì)在計(jì)算機(jī)視覺(jué)、機(jī)器智能等多個(gè)領(lǐng)域獲得突破性進(jìn)展。
[Abstract]:In this paper, the concept of big data and the sub-domain of machine learning, depth learning, is given, and the important role of depth learning in obtaining valuable information in big data is expounded. In this paper, the depth learning framework of parallel operation using image processing unit (GPU) under big data is described. The large-scale convolution neural network (CNN), large-scale depth confidence network (DBN) and large-scale recurrent neural network (RNN) are discussed in detail. In this paper, the capacity, diversity and rate characteristics of big data are analyzed, and the deep learning methods based on large scale data, diversity data and high rate data are introduced. This paper looks forward to the development prospect of deep learning under the background of big data, and points out that in the near future, the fusion technology of big data and deep learning will make a breakthrough in many fields such as computer vision, machine intelligence and so on.
【作者單位】： 燕山大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61273019,61473339) 中國(guó)博士后科學(xué)基金(2014M561202) 河北省博士后專(zhuān)項(xiàng)(B2014010005) 首批“河北省青年拔尖人才”([1013]17)資助項(xiàng)目
【分類(lèi)號(hào)】：TP18;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前6條

1 宣森炎;龔小謹(jǐn);劉濟(jì)林;;基于聯(lián)合卷積和遞歸神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J];傳感器與微系統(tǒng);2014年08期

2 覃光華,丁晶;帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)及其運(yùn)用[J];人民長(zhǎng)江;2002年01期

3 賀志強(qiáng);馮寅;;長(zhǎng)的短時(shí)記憶(LSTM)在五聲調(diào)式和聲的應(yīng)用[J];福建電腦;2007年04期

4 劉章;陳小平;;聯(lián)合無(wú)監(jiān)督詞聚類(lèi)的遞歸神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年05期

5 陳睿;黃曙光;葉春明;張亮;;基于二維RNN的CAPTCHA識(shí)別[J];小型微型計(jì)算機(jī)系統(tǒng);2014年03期

6 ;[J];;年期

相關(guān)會(huì)議論文 前1條

1 蘇彩紅;曾永發(fā);張志飛;吳菁;;一種突觸后抑制遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其在模式識(shí)別中的應(yīng)用[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前1條

1 王揚(yáng)帆;基于偏微分方程的時(shí)滯遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)力分析與多尺度圖像處理研究[D];中國(guó)海洋大學(xué);2011年

相關(guān)碩士學(xué)位論文 前8條

1 李克強(qiáng);基于Spark的大規(guī)模RNNLM系統(tǒng)[D];江蘇大學(xué);2016年

2 梁軍;基于深度學(xué)習(xí)的文本特征表示及分類(lèi)應(yīng)用[D];鄭州大學(xué);2016年

3 王瑞剛;基于遞歸神經(jīng)網(wǎng)絡(luò)的英文手寫(xiě)輸入法的設(shè)計(jì)與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2016年

4 金留可;基于遞歸神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)命名實(shí)體識(shí)別[D];大連理工大學(xué);2016年

5 孫超紅;基于遞歸神經(jīng)網(wǎng)絡(luò)的微博情感分類(lèi)研究[D];浙江理工大學(xué);2017年

6 衛(wèi)曉欣;基于長(zhǎng)短型記憶遞歸神經(jīng)網(wǎng)絡(luò)的英文手寫(xiě)識(shí)別[D];華南理工大學(xué);2014年

7 崔志超;基于產(chǎn)品特征的中文評(píng)論情感分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];河北科技大學(xué);2015年

8 商俊蓓;基于雙向長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫(xiě)數(shù)字公式字符識(shí)別[D];華南理工大學(xué);2015年

，

本文編號(hào)：2065339