- 文献综述：
- 机器学习
机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。
机器学习主要可以分为监督学习和无监督学习，监督学习的训练集是由人标注的。无监督学习的训练集没有人为标注的结果。半监督学习介于监督学习与无监督学习之间。
- 卷积神经网络CNN
卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络包含卷积层，线性整流层，池化层，损失函数层。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
- 递归神经网络RNN
时间递归神经网络可以描述动态时间行为，因为和前馈神经网络接受较特定结构的输入不同。单纯递归神经网络因为无法处理随着递归，权重指数级爆炸或消失的问题，难以捕捉长期时间关联，所以结合LSTM网络能解决这个问题。RNN将状态在自身网络中循环传递，因此可以接受更广泛的时间序列结构输入。递归神经网络通常包含编码器和解码器。编码器将输入序列编码为一个固定长度的隐藏状态，解码器用于将编码后的信息解码为人类可识别的信息。此外，用两个复发神经网络双向读取一个序列可以使人工智能获得“注意力”。
- LSTM网络
长短期记忆网络是 RNN 中一个特殊的类型。由Hochreiter amp; Schmidhuber (1997)提出，之后也得到了很多人们的改进调整。 LSTM主要是为了避免长时期依赖的问题。它们的本质就是能够记住很长时期内的信息，而且非常轻松就能做到。所有循环神经网络结构都是由完全相同结构的模块进行复制而成的。
- TensorFlow
TensorFlow是一个采用数据流图，用于数值计算的开源软件库。节点表示数学操作，线则表示在节点间相互联系的多维数据数组，即张量。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU或GPU，服务器，移动设备等等。TensorFlow 最初由Google大脑小组的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
- 自然语言处理NLP
自然语言处理是人工智慧和语言学领域的分支学科。自然语言生成系统把计算机数据转化为自然语言。本文主要用到的是word2vec、sequence to sequence的方法。Word2vec是一组用于生成文字嵌入的相关模型。Word2vec将输入的大量文本作为输入，并生成一个向量空间，通常为几百个维度，每个唯一的单词在语料库中被分配一个相应的空间向量。字向量位于向量空间中，使得共享语料库中公共上下文的单词在空间中彼此靠近。Seq2Seq模型中可分成编码器和译码器两部分，它们通常是两个不同的神经网络。优点有：（1）编码LSTM来将输入映射为固定长度的词向量,然后输入到解码 LSTM去训练。（2）用了更深、更复杂的LSTM。（3）采用了反序输入的方法，效果显著。
Reference:
[1] 周志华. 机器学习[M]. 清华大学出版社, 2016.
[2] 杨阳,张文生.基于深度学习的图像自动标注算法[J].数据采集与处理,2015,30(1):88-98.DOI:10.16337/j.1004-9037.2015.01.008.
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。
