给大家分享5篇关于Tensorflow的计算机专业论文

今天分享的是关于Tensorflow的5篇计算机毕业论文范文, 如果你的论文涉及到Tensorflow等主题,本文能够帮助到你

基于Kubernetes的Tensorflow分布式模型训练平台的设计与实现

这是一篇关于模型训练,Kubernetes,Tensorflow,B/S架构,微服务架构的论文, 主要内容为近些年来,人工智能已成为当今社会的热门话题,引领着社会的变革和技术的发展。事实上,人工智能已悄悄地渗入到我们生活的点点滴滴,在各个业务领域的应用已初见成效。而这些应用得益于在海量数据分析的基础上建立的经验模型,并且每一款人工智能产品都是通过对训练成熟的模型封装而衍生出来的。因此,模型即是人工智能的核心所在,欲想更快、更有效地从人工智能中获取高价值的内容和衍生产品,我们必须从其核心和根本入手,来研究如何高效、快速地训练模型。本论文将从算法工程师的角度出发,考虑模型训练的周期,解决训练过程中的一些痛点,打造一个易用、可用的模型训练平台。模型训练平台可以为算法工程师提供一套涵盖数据集管理、模型管理、脚本管理、运行环境等在内的在线服务。支持目前最受欢迎的Tensorflow算法引擎的分布式任务计算,减少模型训练的周期,极大提高模型开发效率。本文的主要工作是设计实现一个基于Kubernetes的Tensorflow分布式模型训练平台,为用户提供模型训练API服务以及Tensorflow框架的任务执行引擎服务。每一个服务对应一个独立的服务平台,所有的平台通过微服务架构进行组织。其中,模型训练平台API服务的主要功能有:数据集管理、模型管理、个人工作空间、组件管理、工作流管理;Tensorflow任务执行引擎服务的主要功能有:运行任务、停止任务、查看当前正在运行的任务列表,以上所有功能点的设计和实现都依据软件工程的开发流程实现。模型训练API服务基于B/S架构,使用Java语言和Spring Boot框架技术完成系统开发,选用MYSQL数据库。任务执行引擎则使用Python语言和Django框架完成开发,选用Redis存储数据。该平台经过测试,均已达到了预期目标,可以为算法工程师提供Tensorflow分布式模型训练服务。

基于Kubernetes的Tensorflow分布式模型训练平台的设计与实现

基于深度学习与自注意力机制的智能问答系统研究

这是一篇关于智能问答,深度学习,自注意力机制,Tensorflow的论文, 主要内容为随着深度学习技术不断进步,在智能自然语言处理领域的应用也越来越普遍,智能自然语言问答处理系统是智能语言处理领域的一项重要成果,逐渐发展壮大。但是现有的各类智能自然语言问答处理系统,仍然普遍存在过度的依赖于特征分析工程和基于词频的统计特征等的问题,无法捕捉到自然语言文本的上下文相关信息。因此,针对以上的问题,本文将通过结合现有的深度学习方法与自注意力机制对智能问答系统的应用展开深入的研究,具体工作如下:(1)针对特征提取的问题,本文研究设计了一种基于自注意力机制的双向长短期记忆神经网络模型用于特征提取并广泛应用到各类智能问答咨询任务中。该神经网络模型通过分别加入三种"门"的神经网络结构,可以有效地解决传统的循环神经网络可能会遇到的梯度特征消失和梯度特征爆炸等问题;由于该神经网络模型在正反两个方向分别提取了特征,因此能够很好地解决特征提取上下文信息特征同时缺少上下文信息的问题。(2)本文的研究结果对比了几种经典的自注意力机制在问答任务上的应用效果。在深度学习面向智能问答的学习模型中,本文引入了一种性能较好的深度学习与自注意力机制相结合的方法。通过分析计算文本词汇序列中不同层次词汇的特征重要性及其分布的向量,将文本中词汇的重要特征信息直接融入应用到智能问答模型中。本文的深度学习模型在公开的数据集Insurance QA、Web QA的基础上进行了广泛的实验分析验证,结果表明,本文研究设计的基于深度学习与自注意力机制相结合的模型在基于问答学习任务上的应用效果优于其他基于深度学习的算法。(3)本文采用Tensorflow深度学习框架对文中的问答模型进行实现,采用Java Spring MVC架构等技术设计实现了一套维护成本低、部署方便的智能问答系统。

基于分布式爬虫的用户评论分析系统

这是一篇关于神经网络,用户评论,Tensorflow,TF-IDF,爬虫,自然语言处理的论文, 主要内容为随着移动互联网和网络带宽的高速发展,多媒体已经走进了千家万户,丰富了人们的精神生活。视频的发展也从逐渐从PC端转移到了移动端,人们和视频的交互方式也产生了翻天覆地的变化。本论文主要从用户评论的采集和分类这两个部分对视频评论开展研究。由于每天网站上出现的以视频评论数量为主的用户评论呈指数级增长,而目前用户评论数据采集没有一套完整的分布式爬虫系统架构,因此本文构建了一套基于分布式爬虫的视频弹幕爬取系统。首先根据海量评论数据的需求特点设计了主控爬虫以及日志模块,日志模块用于爬虫系统的调试以及数据恢复工作,主控爬虫则负责任务的调动以及整个爬虫系统的状态监控。接着分别根据数据采集的需求,分别设计了剧集爬虫、单集爬虫、评论爬虫,为后面的用户评论分类打下坚实的基础。此外,本文进一步针对评论的用户情感分类进一步实现了用户评论分析系统,该系统对爬取的评论进行分析、预处理、主题词提取、词向量化、情感分类的工作,实现了对评论的用户情感分析。在用户评论预处理方面,本文采用了jieb分词包对用户评论进行了分词,并过滤了相应的停用词。接着通过TF-IDF对用户评论的主题词进行了提取,借此来显示每个评论的核心主题。然后通过对用户评论的词向量化实现用户评论分类系统的分类。词向量化模型首先通过嵌入层将用户评论映射成相应的词向量,以及构建针对用户评论的分类网络,该网络主要包含平坦层、隐藏层、输出层。根据实验结果显示,本系统所使用的方法能够有效的学习用户评论中有效的特征信息,从而对相应的用户情感分类起到良好的分类作用,相对传统系统准确率至少提升了7.11%,达到了82.79%。