3。5 本章小结 14

4   图像标签推荐系统设计与实现 15

4。1 系统概述 15

4。2 服务器端设计与实现 16

4。3 移动端的详细设计 18

4。4 系统测试 24

4。5 本章小结 27

结  论 28

致  谢 29

参 考 文 献 30

1 引言

这些年，随着科技的进步以及智能手机的普及，越来越多的人们习惯随时随地使用手机拍摄照片，并在社交网站上分享他们的照片。其结果是，无论是在个人移动设备上还是在社交网站上，照片的数量与日俱增。面对如此巨大的数据量，管理和开发这些图片存在巨大的挑战。而图像标签推荐成为解决这个挑战的有效途径[1]。

本章首先简述图像标签推荐技术的研究现状以及深度学习的概念与发展。然后介绍本论文的结构。

1。1 图像标签推荐技术研究现状

1。2 深度学习的概念与发展

1。2。1 深度学习的概念

深度学习，也称深度神经网络，是机器学习的一个分支。关于机器学习，简单来说，就是一门研究如何通过计算的手段，利用经验来改善系统自身的性能。而深度学习则是基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层来对数据进行高层抽象的一系列算法。通过组合低层特征，来形成更加抽象的高层特征。最后，发现数据的分布式特征。这些特征都不是人工指定的，而是使用一种通用的学习过程从数据中习得的。因此，深度学习的实质也在于：通过深度学习模型（如图1。1）对庞大的训练集进行训练，从中习得更加关键的特征，进而提高分类或预测的准确性[8]。

图1。1 深度学习模型

1。2。2 深度学习的发展

在2006年，加拿大多伦多大学（University of Toronto）的Geoffrey Hinton教授和他的学生Ruslan Salakhutdinov在《Science》上发表了一篇文章[9]。正是这篇文章开启了深度学习的浪潮。这篇文章主要阐述了两个观点：（1）深度神经网络习得的特征可以更加深刻地体现数据的实质，从而提高分类或预测的准确性；（2）通过逐层初始化（layer-wise pre-train），深度神经网络训练上的困难显著减少。从2006年开始，深度学习持续升温。2010年，美国国防部决定开始资助深度学习项目。2011年，谷歌工作人员采用深度学习的方法进行语音识别。这使得，相比之前，语音识别的错误率降低了20%—30%。这是语音识别领域前进的一大步。2012年，在图像识别领域，深度学习也大放异彩。在基于ImageNet数据集的图像识别问题中，世界排名第一的图像识别技术就采用了深度学习的方法。这显示了深度学习在图像识别问题上的准确有效。2016年，基于深度学习的围棋人工智能程序Alpha Go战胜世界围棋冠军李世石，让深度学习再次引起全世界的关注。在国内，深度学习也逐渐成为热门。2012年11月，百度基于深度学习，推出了一款语音搜索系统。2012年底，基于深度学习，百度又推出了自然图像识别和人脸识别的产品[10]。并且在2013年，百度创建了深度学习研究院，这体现了百度对深度学习相当重视。另外，除了百度外，国内其他企业（如：阿里巴巴、腾讯）也纷纷开始了对深度学习的研究。论文网

1。3 论文结构简述 Android图像标签技术以及移动终端平台的开发(2):http://www.youerw.com/jisuanji/lunwen_97063.html