• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)與中醫(yī)數(shù)據(jù)的多標(biāo)簽分類算法

    2019-06-06 04:21:26安偉濤薛安榮張宇
    軟件導(dǎo)刊 2019年3期
    關(guān)鍵詞:深度學(xué)習(xí)

    安偉濤 薛安榮 張宇

    摘 要:針對中醫(yī)八綱辨證診斷模型因人工設(shè)定參數(shù)不準(zhǔn)確導(dǎo)致模型訓(xùn)練時間過長、無法收斂和易忽略癥狀與證型間的一對多關(guān)系導(dǎo)致診斷結(jié)果存在證型遺漏的問題,提出利用深度置信網(wǎng)絡(luò)RBM機制,通過對輸入的樣本特征向量逐層進行擬合獲得模型最佳權(quán)重與閾值,從而解決參數(shù)設(shè)定問題;同時采用二元關(guān)聯(lián)多標(biāo)簽分類算法解決一對多關(guān)系,提高診斷結(jié)果準(zhǔn)確率。實驗表明,改進后的算法有效可行。

    關(guān)鍵詞:中醫(yī)診斷;中醫(yī)八綱辨證;深度學(xué)習(xí);多標(biāo)簽學(xué)習(xí);TensorFlow

    DOI:10. 11907/rjdk. 182225

    中圖分類號:TP301文獻標(biāo)識碼:A文章編號:1672-7800(2019)003-0025-05

    0 引言

    在長期與疾病的斗爭中,中醫(yī)演化并形成了一套獨特、完整的理論體系[1],為人類健康作出了不可磨滅的貢獻。但傳統(tǒng)中醫(yī)診斷不確定性、經(jīng)驗性和模糊性等特點嚴(yán)重制約了中醫(yī)發(fā)展[2],因此中醫(yī)辨證的科學(xué)化與智能化發(fā)展引起廣泛關(guān)注。

    在不同歷史時期,歷代醫(yī)家根據(jù)不同的理論基礎(chǔ)提出了不同辨證方法,其中八綱辨證理論是各種辨證方法的指導(dǎo)綱領(lǐng)[3],成為中醫(yī)智能辨證研究的基礎(chǔ)。已有研究利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)與多層前向神經(jīng)網(wǎng)絡(luò)構(gòu)建中醫(yī)八綱辨證模型[4],該模型突破了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)神經(jīng)元形式單一的特點,提高了對輸入數(shù)據(jù)的處理能力,同時模型具有一定的學(xué)習(xí)能力,辨證準(zhǔn)確率達到70%以上,但該模型對病例樣本訓(xùn)練的參數(shù)需要依靠人工設(shè)定,由于人工設(shè)定參數(shù)具有一定隨機性,可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時間過長和模型無法收斂。此外,該模型忽略癥狀與證型間存在的一對多關(guān)系,即忽略了同一個病人可能同時患有多種證型的情況,導(dǎo)致該模型診斷結(jié)果有遺漏。

    深度置信網(wǎng)絡(luò)訓(xùn)練機制是模擬人類大腦學(xué)習(xí)機制建立的,即深度信念網(wǎng)絡(luò)可以對簡單的特征進行組合、重構(gòu)得到更加抽象的特征表達[5-6],該過程與人類大腦對外界信息的處理機制非常類似。在實際應(yīng)用中,深度置信網(wǎng)絡(luò)可以通過自動對特征進行學(xué)習(xí)的機制[7],對樣本特征進行逐層擬合,獲取模型最佳參數(shù)。因此,本文提出利用深度置信網(wǎng)絡(luò)訓(xùn)練病例樣本模型,從而解決人工設(shè)定參數(shù)的問題。針對癥狀與證型間存在的一對多關(guān)系,提出使用多標(biāo)簽分類算法解決該該問題。由于二元關(guān)聯(lián)[8]分類算法思路簡單、效果出色,因此提出利用二元關(guān)聯(lián)多標(biāo)簽分類算法和深度置信網(wǎng)絡(luò)對中醫(yī)診斷中的病例樣本進行模型訓(xùn)練和預(yù)測,從而提高模型診斷準(zhǔn)確率。

    1 基于深度學(xué)習(xí)的多標(biāo)簽分類算法

    1.1 深度置信網(wǎng)絡(luò)

    Geoffrey Hinton等[9]于2006年首次提出深度置信網(wǎng)絡(luò)(DBN)的概念,DBN是以受限的玻爾茲曼機RBM為基礎(chǔ)發(fā)展起來的模型。RBM[10]是一種生成模型,可建立測試數(shù)據(jù)與標(biāo)簽之間的聯(lián)合概率分布,通過訓(xùn)練相鄰兩層節(jié)點間的權(quán)重,讓整個網(wǎng)絡(luò)按照最大概率優(yōu)化模型參數(shù)。

    (1)受限的玻爾茲曼機。RBM是一種基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型[11],其結(jié)構(gòu)如圖1所示。RBM由可視層[v]和隱含層[h]組成,層內(nèi)節(jié)點之間沒有連接,層與層之間的節(jié)點全連接,[w]為對應(yīng)兩層神經(jīng)元連接的強度參數(shù)。節(jié)點狀態(tài)分為激活狀態(tài)和未激活狀態(tài),在計算中一般用二進制的0表示未激活狀態(tài),1表示激活狀態(tài)。

    (2)權(quán)值計算模型構(gòu)建。RBM屬于能量模型[12]。利用公式(1)定義樣本輸入向量[v]和隱含層向量[h]之間的能量函數(shù)值,該能量函數(shù)描述模型狀態(tài)的測度,能量越小則系統(tǒng)狀態(tài)越穩(wěn)定。

    通過對最大似然函數(shù)進行求導(dǎo)運算,得到概率最大值,從而確定當(dāng)概率最大時的權(quán)值。

    1.2 多標(biāo)簽學(xué)習(xí)

    多標(biāo)簽分類算法的實質(zhì)是根據(jù)待預(yù)測實例(特征屬性和標(biāo)簽屬性),在M種候選標(biāo)簽集中選擇概率最大的標(biāo)簽集合作為該待預(yù)測實例的標(biāo)簽集合。

    1.3 基于深度置信網(wǎng)絡(luò)的二元關(guān)聯(lián)分類模型

    (2)基于深度置信網(wǎng)絡(luò)的二元關(guān)聯(lián)分類模型構(gòu)建?;谏疃戎眯啪W(wǎng)絡(luò)的二元關(guān)聯(lián)多標(biāo)簽分類算法,首先利用深度置信網(wǎng)絡(luò)的RBM機制對中醫(yī)八綱病例樣本進行訓(xùn)練,通過不斷擬合初始向量獲得模型最優(yōu)參數(shù),并保存模型;然后,利用二元關(guān)聯(lián)多標(biāo)簽分類算法思想,將多標(biāo)簽分類轉(zhuǎn)換成多個單標(biāo)簽分類,針對每個標(biāo)簽利用訓(xùn)練好的深度置信網(wǎng)絡(luò)模型作為分類器,判斷每個標(biāo)簽是否屬于待分類樣本,最終輸出所有結(jié)果并集。具體算法為:

    步驟(1)-步驟(2)為訓(xùn)練癥狀集的輸入和標(biāo)準(zhǔn)化處理;步驟(4)-步驟(6)初始化RBM的連接權(quán)重參數(shù)[w],可視層偏置量[a]和隱含層偏置量[b];步驟(7)-步驟(10)利用條件分布概率計算隱含層節(jié)點狀態(tài);步驟(11)-步驟(14)利用條件分布概率公式計算可見層階段狀態(tài);步驟(15)-步驟(23)對RBM權(quán)重參數(shù)、偏置量參數(shù)更新和保存;步驟(24)-步驟(28)為待測樣本的預(yù)測;步驟(29)返回待分類樣本x的標(biāo)簽集合y。

    1.4 算法分析

    2 實驗與分析

    2.1 實驗方案

    為客觀評價本文算法的表現(xiàn),選用平均預(yù)測精度(Avg-Precision)、覆蓋度(Coverage)、排名損失率(Ranking-loss)、漢明損失(Hamming-Loss)、1錯誤率(One-Error)為評價指標(biāo)[16]。

    實驗基于開源深度學(xué)習(xí)框架TensorFlow[17],利用TensorFlow搭建網(wǎng)絡(luò)模型,利用Tensor數(shù)據(jù)結(jié)構(gòu)存儲和傳遞所有數(shù)據(jù),利用SGD函數(shù)隨機梯度下降完成樣本訓(xùn)練。同時為盡可能避免過擬合現(xiàn)象,利用dropput工具設(shè)置一個drop閾值,可以降低過擬合現(xiàn)象。在所有分類算法中,使用相同的訓(xùn)練樣本和測試樣本集。為使實驗結(jié)果具有說服力,采用10倍交叉驗證的方法驗證實驗結(jié)果,任意一種評價指標(biāo)都是數(shù)據(jù)集進行10次實驗結(jié)果的平均值。

    2.2 實驗參數(shù)

    (1)權(quán)重和偏置量初始化。權(quán)重矩陣、隱含層偏置量及可見層偏置量是在訓(xùn)練中獲得的,但是模型在訓(xùn)練之前需設(shè)定一個初始值,一般采用隨機賦值方式。本實驗權(quán)重向量采用正太分布N(0,0.01)的隨機數(shù),通過破壞不同神經(jīng)元間的對稱性,從而提高模型泛化能力。隱含層偏置量初始化為0,可見層偏置量按公式(8)初始化,有利于獲取正確的輸出邊緣統(tǒng)計。其中[ai]表示第i可見層偏置量參數(shù),[pi]表示訓(xùn)練樣本中第i個特征處于激活狀態(tài)的樣本所占比例。

    (2)隱層單元數(shù)確定。隱層單元數(shù)的選擇非常重要,如果選擇過少,可能不足以訓(xùn)練神經(jīng)網(wǎng)絡(luò);如果選擇過多,雖然可以提高精度,但也會使模型復(fù)雜化,導(dǎo)致訓(xùn)練時間過長。因此選擇一個合理的隱層單元個數(shù)非常重要。本實驗通過設(shè)置隱含層個數(shù)分別為10、20、30、40、50、60、70、80、90、100,分別得到模型的召回率、準(zhǔn)確率及F1值3個評價指標(biāo)。如圖3所示,當(dāng)隱層單元數(shù)在70左右時,模型召回率、準(zhǔn)確率和F1值均可達到較高的值,因此本實驗選擇隱層單元為70。

    (3)學(xué)習(xí)速率確定。學(xué)習(xí)速率是指模型在訓(xùn)練過程中權(quán)值每次的變化量,一般將學(xué)習(xí)速率確定為[0.01,0.1]。如果學(xué)習(xí)速率過低會導(dǎo)致模型訓(xùn)練緩慢,收斂時間長;如果學(xué)習(xí)速率設(shè)置過高則收斂快但不穩(wěn)定,使系統(tǒng)無法得到最優(yōu)權(quán)值。為獲得與最優(yōu)權(quán)值更接近的權(quán)值參數(shù),平衡矛盾,實驗增加動態(tài)學(xué)習(xí)速率(momentum),將本次訓(xùn)練計算出的調(diào)整梯度與前次調(diào)整梯度結(jié)合,將前次調(diào)整梯度乘以一個動態(tài)學(xué)習(xí)速率。

    2.3 實驗數(shù)據(jù)

    (1)數(shù)據(jù)來源。數(shù)據(jù)集為文獻[18]的中醫(yī)八綱辨證數(shù)據(jù)以及通過網(wǎng)絡(luò)收集到的八綱病例,共500例。為使樣本更具有普遍性,針對中醫(yī)八綱每一類證型病例均選取相同數(shù)量的訓(xùn)練數(shù)據(jù)集,每一類證型均選擇相同數(shù)量的測試集。

    (2)數(shù)據(jù)擴充。由于深度置信網(wǎng)絡(luò)是深層次網(wǎng)絡(luò)結(jié)構(gòu),具有很強的學(xué)習(xí)能力,在模型訓(xùn)練過程中可能會學(xué)習(xí)到樣本數(shù)據(jù)中的噪聲和異常數(shù)據(jù),導(dǎo)致模型產(chǎn)生過擬合現(xiàn)象,模型過擬合會導(dǎo)致模型在后期對樣本進行預(yù)測時不能正確分類以及模型泛化能力太差的問題[19]。為了防止過擬合現(xiàn)象,需有大量訓(xùn)練數(shù)據(jù)。在網(wǎng)絡(luò)上收集以及在文獻中使用的八綱辨證病例樣本數(shù)據(jù)有限,屬于小樣本,顯然不能滿足深度置信網(wǎng)絡(luò)對數(shù)據(jù)量的要求,因此需要對現(xiàn)有樣本數(shù)據(jù)進行擴充。

    擴充樣本需要找到樣本分布規(guī)律,才能保證樣本擴充合理性。根據(jù)文獻[20]可知,針對每一個證型相關(guān)癥狀貢獻度的不同,有幾個癥狀貢獻度較大,大多數(shù)癥狀貢獻度很小,在閾值為0.015~0.02時,針對證型對應(yīng)的癥狀數(shù)據(jù)符合冪律分布。為驗證八綱證型與對應(yīng)癥狀數(shù)據(jù)符合冪律分布,對現(xiàn)有數(shù)據(jù)進行冪律分布檢驗。

    假設(shè)樣本數(shù)據(jù)服從冪律分布,具體分布函數(shù)為:

    因此驗證樣本數(shù)據(jù)服從冪律分布,只需對樣本數(shù)據(jù)庫[(x,y)]取對數(shù),然后驗證是否為線性方程即可。對[(x,y)]取以10為底的對數(shù),然后用Matlab對樣本數(shù)據(jù)進行擬合,擬合結(jié)果如圖4所示。

    根據(jù)圖像可知,樣本分布比較符合冪律分布,根據(jù)樣本數(shù)據(jù)冪律分布規(guī)律,隨機生成數(shù)據(jù)擴充樣本數(shù)據(jù),為深度置信網(wǎng)絡(luò)對數(shù)據(jù)量的要求,使用統(tǒng)計軟件生成80 000條病例數(shù)據(jù),隨機抽取70%作為訓(xùn)練樣本,30%作為測試樣本。

    (3)數(shù)據(jù)預(yù)處理。在實驗中,選擇80 000例中醫(yī)八綱辨證病例樣本作為訓(xùn)練樣本,每種證型病例訓(xùn)練樣本為10 000例。將24 000例病例樣本作為實驗測試集,其中八類證型各占3 000例。為保證實驗順利進行,需對原始癥狀數(shù)據(jù)集進行標(biāo)準(zhǔn)化處理。

    由于癥狀數(shù)據(jù)集的每個元素測量單位不同,不同屬性區(qū)別很大,因此需要對原始癥狀集數(shù)據(jù)進行標(biāo)準(zhǔn)化處理,采用min-max離差歸一化算法[21],將原始癥狀數(shù)據(jù)集映射到[0,1]區(qū)間。

    由于病人患病癥狀分布不均勻,臨床癥狀數(shù)據(jù)集中存在部分癥狀缺失,本實驗采用NaN填充缺失值。對于可見層與隱含層之間的權(quán)重和偏置訓(xùn)練,若使用每個樣本逐個訓(xùn)練的方法會使運算效率過低,導(dǎo)致大數(shù)據(jù)和高維數(shù)據(jù)訓(xùn)練時間過長。在實踐中,為充分利用CPU和矩陣計算的便捷性,往往將樣本分割成小片(mini-batchers),每次計算一個mini-batcher。為在計算多個mini-batchers,同時保證進行訓(xùn)練時學(xué)習(xí)速率固定不變,參數(shù)更新時,梯度使用平均梯度。平均梯度計算公式為:

    其中[Nbatch]為mini-batchers數(shù)據(jù)的長度,當(dāng)[Nbatch=1]時,相當(dāng)于單樣本學(xué)習(xí)。對于[Nbatch]的大小,總體上不宜過大,如果過大梯度敏感度下降,會使模型錯過最優(yōu)值。為實驗計算方便,本實驗取10的整倍數(shù),且同為標(biāo)簽數(shù)量的整數(shù)倍,最終選取200。

    2.4 實驗結(jié)果與分析

    人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)最大的區(qū)別是包含不同的網(wǎng)絡(luò)隱層,所以對模型不同數(shù)量的網(wǎng)絡(luò)隱層進行實驗。本次實驗共有5個驗證指標(biāo),表1給出了每種算法在5種評價指標(biāo)上的實驗結(jié)果。其中平均精度預(yù)測指標(biāo)數(shù)值越大,表示算法表現(xiàn)越好;其它指標(biāo)數(shù)值越低,表示算法性能越好。表中“↑”符號表示數(shù)值越大性能越好,“↓” 符號表示數(shù)值越小越好。“[±]”符號表示10次試驗的平均值[±]標(biāo)準(zhǔn)差。每個指標(biāo)中的最佳結(jié)果在相應(yīng)評價指標(biāo)上用粗體顯示。

    由表1數(shù)據(jù)清楚表明,基于DBN的二元關(guān)聯(lián)多標(biāo)簽分類算法在一定范圍內(nèi),隨著網(wǎng)絡(luò)模型隱含層數(shù)目的增多,模型平均預(yù)測精度、覆蓋度、排名損失率、漢明損失和1錯誤5項指標(biāo)性能均成遞增趨勢。其中隱含層值為1時,表示傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型的各項性能指數(shù),由此可見本文構(gòu)建的深度置信網(wǎng)絡(luò)的二元關(guān)聯(lián)分類模型與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型相比,在各項性能上均有很大提升。

    為充分說明本文設(shè)計的基于深度學(xué)習(xí)的多標(biāo)簽分類算法有效性,在中醫(yī)數(shù)據(jù)下,與ML-KNN算法、BSVM算法、Rank-SVM等常用的多標(biāo)簽分類算法在5種評價指標(biāo)上進行比較,采用柱狀圖的形式將實驗結(jié)果進行展示,如圖5所示。從柱狀圖上可以清晰發(fā)現(xiàn),基于DBN的多標(biāo)簽學(xué)習(xí)算法的5種評價指標(biāo)均表現(xiàn)優(yōu)秀,而且各項指標(biāo)比常用多標(biāo)簽分類算法高5%~10%。因此本文設(shè)計的基于深度置信網(wǎng)絡(luò)的二元關(guān)聯(lián)分類算法是有效的。

    3 結(jié)語

    針對現(xiàn)有中醫(yī)八綱辨證模型因人工設(shè)定參數(shù)不準(zhǔn)確導(dǎo)致模型訓(xùn)練時間過長和無法收斂問題,提出利用深度學(xué)習(xí)的RBM機制對病例樣本進行逐層擬合,獲得模型最佳權(quán)重與閾值,從而解決參數(shù)設(shè)定問題。此外針對現(xiàn)有診斷模型忽略癥狀與證型間一對多關(guān)系,提出采用二元關(guān)聯(lián)分類算法解決一對多關(guān)系問題,并利用開源深度學(xué)習(xí)框架TensorFlow和經(jīng)過擴充后的中醫(yī)八綱辨證數(shù)據(jù)對模型進行實驗驗證。實驗結(jié)果表明本文設(shè)計的中醫(yī)“八綱辨證”模型相比現(xiàn)有模型能更好地表示中醫(yī)證型和癥狀之間的關(guān)系,提高了中醫(yī)八綱辨證診斷準(zhǔn)確率。該研究思路可應(yīng)用于中醫(yī)智能辨證體系中,為病證規(guī)范化及辨證智能化提供參考。

    參考文獻:

    [1] 顧漫. 中醫(yī)學(xué)的起源與上古四方醫(yī)學(xué)知識的匯集[C]. 第二屆學(xué)術(shù)年會暨中醫(yī)藥傳統(tǒng)知識保護國際學(xué)術(shù)大會,2014:20-25.

    [2] 韋堂軍,程銀. 略論傳統(tǒng)中醫(yī)的腫瘤辨治觀[J]. 世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化,2015,17(4):891-896.

    [3] 溫維,張梅奎. 中醫(yī)發(fā)展困境及對策探討[J]. 醫(yī)學(xué)與社會,2014,27(2):65-67.

    [4] 吳蕓,周昌樂,張志楓. 中醫(yī)舌診八綱辨證神經(jīng)網(wǎng)絡(luò)知識庫構(gòu)建[J]. 計算機應(yīng)用研究,2006,15(5):188-189.

    [5] ZHAO B,F(xiàn)ENG J S,WU X. A survey on deep learning-based fine-grained object classification and semantic segmentation[J]. International Journal of Automation and Computing,2017,14(2):119-135.

    [6] SONG X D,ZHANG G L. Modeling spatio-temporal distribution of soil moisture by deep learning-based cellular automata model[J]. Journal of Arid Land,2016,8(5):734-748.

    [7] 曾明星,李桂平,周清平,等. 從MOOC到SPOC:一種深度學(xué)習(xí)模式建構(gòu)[J]. 中國電化教育,2015,4 (11):28-34.

    [8] CHARTE F,ANTONIO J. Dealing with difficult minority labels in imbalanced multi-label data sets[J]. ?Neurocomputing, 2016,11(10):110-123.

    [9] GOODFELLOW I J,ERHAN D,LUC CARRIER P,et al. Challenges in representation learning: a report on three machine learning contests[J]. Neural Networks,2015,41(9):64-71.

    [10] 麥超,鄒維寶. 稀疏受限玻爾茲曼機研究綜述[J]. 計算機工程與科學(xué),2017,39(7):1379-1384.

    [11] 酆勇,熊慶宇,石為人,等. 一種基于受限玻爾茲曼機的說話人特征提取算法[J]. 儀器儀表學(xué)報,2016,37(2):256-262.

    [12] 張春霞,姬楠楠,王冠偉. 受限波爾茲曼機[J]. 工程數(shù)學(xué)學(xué)報,2015,36(2):159-173.

    [13] 李思男,李寧,李戰(zhàn)懷. 多標(biāo)簽數(shù)據(jù)挖掘技術(shù):研究綜述[J]. 計算機科學(xué),2013,40(4):14-21.

    [14] 秦鋒,黃俊,程澤凱,等. 多標(biāo)簽分類器準(zhǔn)確性評估方法的研究[J]. 計算機技術(shù)與發(fā)展,2010,20 (2):46-49.

    [15] CHARTE F,RIVERA A J, JESUS M J, et al. Dealing with difficult minority labels in imbalanced? multi-label data sets[J].? Neurocomputing,2016,40(3):45-78.

    [16] 劉方園,王水花,張煜東. 深度置信網(wǎng)絡(luò)模型及應(yīng)用研究綜述[J]. 計算機工程與應(yīng)用,2018,54(1):11-18+47.

    [17] 吳蕓,周昌樂. 中醫(yī)八綱辨證神經(jīng)網(wǎng)絡(luò)構(gòu)造技術(shù)研究[J]. 計算機工程與應(yīng)用,2008,12(11):243-245+248.

    [18] HOUBORG R,MCCABE M F. A hybrid training approach for leaf area index estimation via cubist and random forests machine-learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2018,67(8):135-138.

    [19] 劉建偉,劉媛,羅雄麟. 深度學(xué)習(xí)研究進展[J]. 計算機應(yīng)用研究,2014,31(7):1921-1930+1942.

    [20] 鐘濤. 基于復(fù)雜系統(tǒng)方法的慢性胃炎中醫(yī)問診證候建模研究[D]. 上海:華東理工大學(xué),2014.

    [21] DATTA S N. Min-max and max-min principles for the solution of 2 + 1 Dirac fermion in magnetic field, graphene lattice and layered diatomic materials[J].? Chemical Physics Letters,2018,7(9):692.

    (責(zé)任編輯:江 艷)

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學(xué)習(xí)的三級階梯
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    欧美精品一区二区大全| 免费观看av网站的网址| 下体分泌物呈黄色| 80岁老熟妇乱子伦牲交| 精品视频人人做人人爽| 久久婷婷青草| 国产又爽黄色视频| 久久精品aⅴ一区二区三区四区 | 成年美女黄网站色视频大全免费| 在线天堂中文资源库| 国产成人欧美| 久久99一区二区三区| 成人午夜精彩视频在线观看| 国产在线一区二区三区精| 狂野欧美激情性bbbbbb| 国产老妇伦熟女老妇高清| 2021少妇久久久久久久久久久| 一本久久精品| 亚洲人与动物交配视频| 国产成人aa在线观看| 国产精品99久久99久久久不卡 | 成年人免费黄色播放视频| 亚洲,欧美,日韩| 日本黄色日本黄色录像| 国产成人精品福利久久| 久久久久国产网址| 亚洲色图 男人天堂 中文字幕 | 亚洲精品456在线播放app| 亚洲精品久久成人aⅴ小说| 精品国产一区二区三区久久久樱花| 免费观看a级毛片全部| 男女国产视频网站| 国产 精品1| 丝袜喷水一区| 午夜福利在线观看免费完整高清在| 日韩中字成人| 黄色毛片三级朝国网站| 高清毛片免费看| 精品少妇黑人巨大在线播放| 国产精品国产三级专区第一集| 久久人人爽人人爽人人片va| 9热在线视频观看99| 涩涩av久久男人的天堂| 精品国产一区二区三区久久久樱花| av免费观看日本| 中文字幕最新亚洲高清| 青春草国产在线视频| 在线观看免费视频网站a站| 狠狠婷婷综合久久久久久88av| 国产一区二区在线观看日韩| 中文字幕av电影在线播放| 少妇熟女欧美另类| 免费在线观看完整版高清| 亚洲av欧美aⅴ国产| 各种免费的搞黄视频| 精品少妇久久久久久888优播| 日韩成人av中文字幕在线观看| 久久久精品94久久精品| 人人澡人人妻人| xxx大片免费视频| av免费观看日本| 精品国产乱码久久久久久小说| 久久精品国产自在天天线| 久久这里只有精品19| 精品一区二区三区四区五区乱码 | 国产成人精品无人区| 欧美精品人与动牲交sv欧美| 国产精品国产三级专区第一集| 波多野结衣一区麻豆| 久久久久久久久久人人人人人人| 久久精品久久精品一区二区三区| 国产亚洲午夜精品一区二区久久| 草草在线视频免费看| 精品久久久久久电影网| 免费观看在线日韩| 看免费成人av毛片| 90打野战视频偷拍视频| 天天操日日干夜夜撸| freevideosex欧美| av免费观看日本| 伦精品一区二区三区| 精品久久久精品久久久| 一级毛片 在线播放| xxx大片免费视频| 亚洲,一卡二卡三卡| 美女福利国产在线| www日本在线高清视频| 午夜精品国产一区二区电影| 日日啪夜夜爽| 久久精品国产亚洲av涩爱| 日韩一区二区视频免费看| 三上悠亚av全集在线观看| 国产成人欧美| 亚洲精品456在线播放app| 日韩免费高清中文字幕av| 国产乱人偷精品视频| av黄色大香蕉| 另类亚洲欧美激情| 男人操女人黄网站| 国产不卡av网站在线观看| 中文字幕免费在线视频6| 韩国精品一区二区三区 | 中文字幕av电影在线播放| 亚洲精品久久午夜乱码| 免费日韩欧美在线观看| 自线自在国产av| 精品一区二区三卡| 十八禁网站网址无遮挡| 天堂中文最新版在线下载| 日韩不卡一区二区三区视频在线| 国产高清国产精品国产三级| 亚洲四区av| 国产在线一区二区三区精| 免费大片黄手机在线观看| 美女大奶头黄色视频| 中文精品一卡2卡3卡4更新| 日本av手机在线免费观看| 国产片特级美女逼逼视频| 免费在线观看影片大全网站| 精品乱码久久久久久99久播| 日本a在线网址| 国产成人免费观看mmmm| 免费一级毛片在线播放高清视频 | 少妇裸体淫交视频免费看高清 | 免费黄频网站在线观看国产| 19禁男女啪啪无遮挡网站| 日韩人妻精品一区2区三区| 国产黄色免费在线视频| 1024视频免费在线观看| a在线观看视频网站| 精品一区二区三区四区五区乱码| 国产男女内射视频| 窝窝影院91人妻| 欧美日韩瑟瑟在线播放| 久久人人97超碰香蕉20202| 捣出白浆h1v1| 国产亚洲欧美98| 成人永久免费在线观看视频| 热99久久久久精品小说推荐| 99精品久久久久人妻精品| 亚洲中文日韩欧美视频| 国产又爽黄色视频| 这个男人来自地球电影免费观看| 黄色a级毛片大全视频| 国产成人欧美| 国内毛片毛片毛片毛片毛片| 国产激情久久老熟女| 变态另类成人亚洲欧美熟女 | 99国产极品粉嫩在线观看| 日本黄色日本黄色录像| 黄片大片在线免费观看| netflix在线观看网站| 国产成人系列免费观看| 久久精品亚洲av国产电影网| 中文字幕精品免费在线观看视频| 午夜免费观看网址| x7x7x7水蜜桃| 麻豆成人av在线观看| 美女高潮喷水抽搐中文字幕| 在线av久久热| 一区二区三区激情视频| avwww免费| 国产主播在线观看一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 久久久久视频综合| netflix在线观看网站| 久久影院123| 国产成人精品久久二区二区免费| 中文字幕精品免费在线观看视频| 麻豆成人av在线观看| 韩国精品一区二区三区| 午夜福利乱码中文字幕| 老司机影院毛片| 一边摸一边抽搐一进一小说 | 少妇 在线观看| 久久精品国产a三级三级三级| 黄色女人牲交| 少妇裸体淫交视频免费看高清 | 日本五十路高清| 亚洲人成77777在线视频| 狂野欧美激情性xxxx| 在线观看66精品国产| 在线天堂中文资源库| 99热网站在线观看| 热re99久久精品国产66热6| 国产成人精品在线电影| 亚洲精品国产一区二区精华液| 热re99久久精品国产66热6| 露出奶头的视频| 一级片'在线观看视频| 精品国产亚洲在线| 极品教师在线免费播放| 日韩有码中文字幕| 午夜久久久在线观看| 国产成人欧美在线观看 | 国产成人一区二区三区免费视频网站| 欧美一级毛片孕妇| 亚洲色图综合在线观看| 人人妻人人澡人人看| www.熟女人妻精品国产| 亚洲av片天天在线观看| 纯流量卡能插随身wifi吗| 亚洲,欧美精品.| 国产精品久久久久久人妻精品电影| 国产av又大| 欧美国产精品一级二级三级| 一本大道久久a久久精品| 在线观看免费视频日本深夜| 国产又爽黄色视频| 国内毛片毛片毛片毛片毛片| 日韩有码中文字幕| 亚洲一区二区三区不卡视频| 欧美午夜高清在线| 亚洲免费av在线视频| 午夜福利影视在线免费观看| av网站在线播放免费| 天堂√8在线中文| 91av网站免费观看| 欧美日韩成人在线一区二区| 精品久久蜜臀av无| 日日爽夜夜爽网站| 欧美成人午夜精品| 搡老岳熟女国产| 亚洲第一欧美日韩一区二区三区| 精品无人区乱码1区二区| 亚洲欧美激情综合另类| 亚洲情色 制服丝袜| 亚洲精品久久午夜乱码| av免费在线观看网站| 纯流量卡能插随身wifi吗| 亚洲,欧美精品.| 欧美黄色片欧美黄色片| 精品久久久久久久久久免费视频 | 18禁美女被吸乳视频| 在线观看免费午夜福利视频| 精品第一国产精品| 久久国产精品影院| 国产精品欧美亚洲77777| 久久久精品国产亚洲av高清涩受| 午夜成年电影在线免费观看| 国产成人免费无遮挡视频| 侵犯人妻中文字幕一二三四区| 国产日韩欧美亚洲二区| 国产亚洲欧美在线一区二区| 一级作爱视频免费观看| 国产成人欧美在线观看 | 在线观看免费视频日本深夜| 国产一区二区三区视频了| 国产成人欧美| 嫩草影视91久久| 村上凉子中文字幕在线| 美女高潮喷水抽搐中文字幕| 亚洲一卡2卡3卡4卡5卡精品中文| 色播在线永久视频| 999久久久国产精品视频| 欧美日本中文国产一区发布| 日本一区二区免费在线视频| 欧美乱色亚洲激情| 亚洲片人在线观看| 1024视频免费在线观看| xxxhd国产人妻xxx| 悠悠久久av| 99国产精品免费福利视频| 桃红色精品国产亚洲av| 国产精品电影一区二区三区 | 超色免费av| 国产日韩一区二区三区精品不卡| 日本黄色视频三级网站网址 | 久热爱精品视频在线9| 欧美日本中文国产一区发布| 成人黄色视频免费在线看| 免费在线观看亚洲国产| 一二三四社区在线视频社区8| а√天堂www在线а√下载 | 成人永久免费在线观看视频| 国产日韩欧美亚洲二区| 国产三级黄色录像| 欧美日韩一级在线毛片| 国产成人免费无遮挡视频| 建设人人有责人人尽责人人享有的| 亚洲欧美色中文字幕在线| 久久中文字幕一级| 777米奇影视久久| 久久精品亚洲精品国产色婷小说| 黄网站色视频无遮挡免费观看| 亚洲成人国产一区在线观看| 久久久久久久久久久久大奶| 在线观看免费午夜福利视频| 久久亚洲精品不卡| 久久精品人人爽人人爽视色| 国产国语露脸激情在线看| 久久国产精品人妻蜜桃| 欧美精品亚洲一区二区| 少妇粗大呻吟视频| 亚洲国产毛片av蜜桃av| 久久久水蜜桃国产精品网| 午夜老司机福利片| 多毛熟女@视频| 一区二区三区激情视频| 欧美日韩中文字幕国产精品一区二区三区 | 欧美亚洲 丝袜 人妻 在线| av不卡在线播放| 国产亚洲欧美在线一区二区| 高潮久久久久久久久久久不卡| avwww免费| 免费在线观看亚洲国产| 成人国产一区最新在线观看| 制服诱惑二区| 国产一区二区三区视频了| 麻豆av在线久日| www日本在线高清视频| 久久精品人人爽人人爽视色| 免费一级毛片在线播放高清视频 | 亚洲自偷自拍图片 自拍| 天堂动漫精品| 久久国产精品人妻蜜桃| 国产高清激情床上av| 久久亚洲真实| 99热国产这里只有精品6| 久久精品aⅴ一区二区三区四区| 国产精品一区二区在线观看99| 久久九九热精品免费| 午夜成年电影在线免费观看| 变态另类成人亚洲欧美熟女 | 国产亚洲欧美98| 国产av精品麻豆| 十八禁人妻一区二区| 国产精品永久免费网站| 免费久久久久久久精品成人欧美视频| 两性午夜刺激爽爽歪歪视频在线观看 | a级片在线免费高清观看视频| 18禁美女被吸乳视频| 丰满迷人的少妇在线观看| 亚洲伊人色综图| 视频区欧美日本亚洲| 成人18禁在线播放| 三上悠亚av全集在线观看| 精品福利永久在线观看| 国产aⅴ精品一区二区三区波| 久久久精品区二区三区| 日本黄色日本黄色录像| 三级毛片av免费| netflix在线观看网站| 久久久国产欧美日韩av| 母亲3免费完整高清在线观看| 伦理电影免费视频| 日韩制服丝袜自拍偷拍| 天堂中文最新版在线下载| 淫妇啪啪啪对白视频| 老司机靠b影院| 国内毛片毛片毛片毛片毛片| 免费久久久久久久精品成人欧美视频| 国产精品一区二区精品视频观看| 日韩三级视频一区二区三区| 少妇的丰满在线观看| 麻豆成人av在线观看| 国产又爽黄色视频| 最近最新免费中文字幕在线| 久久热在线av| 无遮挡黄片免费观看| 老鸭窝网址在线观看| xxx96com| 日本五十路高清| 久久久久国内视频| 亚洲av片天天在线观看| 男人舔女人的私密视频| 无限看片的www在线观看| 婷婷成人精品国产| 91精品三级在线观看| 免费不卡黄色视频| 欧美日韩瑟瑟在线播放| 深夜精品福利| 久久久久视频综合| 一边摸一边做爽爽视频免费| 亚洲精品国产精品久久久不卡| 首页视频小说图片口味搜索| 一二三四在线观看免费中文在| 女性生殖器流出的白浆| 国产激情久久老熟女| 丝袜在线中文字幕| 免费高清在线观看日韩| 午夜日韩欧美国产| 精品国产乱码久久久久久男人| 国精品久久久久久国模美| 99热只有精品国产| 人人妻,人人澡人人爽秒播| 俄罗斯特黄特色一大片| 免费观看精品视频网站| 精品一品国产午夜福利视频| 亚洲欧美激情综合另类| 久久精品亚洲熟妇少妇任你| 精品卡一卡二卡四卡免费| 12—13女人毛片做爰片一| 色精品久久人妻99蜜桃| 国产成人精品久久二区二区免费| 亚洲第一av免费看| 一区二区三区精品91| 99国产精品一区二区三区| 在线永久观看黄色视频| 18在线观看网站| 一本综合久久免费| 亚洲伊人色综图| 国产精品乱码一区二三区的特点 | 99久久精品国产亚洲精品| 欧美国产精品va在线观看不卡| 91麻豆精品激情在线观看国产 | 女警被强在线播放| 国产精品久久久久成人av| 亚洲片人在线观看| 久99久视频精品免费| 精品福利观看| 黄色女人牲交| 国产麻豆69| 一二三四在线观看免费中文在| 精品久久久久久久毛片微露脸| 久久精品aⅴ一区二区三区四区| 久久天躁狠狠躁夜夜2o2o| 欧洲精品卡2卡3卡4卡5卡区| 国产高清视频在线播放一区| 久久天堂一区二区三区四区| 午夜福利乱码中文字幕| 久久香蕉激情| 老司机亚洲免费影院| 99精品欧美一区二区三区四区| 国产熟女午夜一区二区三区| 天天躁日日躁夜夜躁夜夜| 在线视频色国产色| 国产黄色免费在线视频| 91在线观看av| 日韩熟女老妇一区二区性免费视频| 亚洲国产欧美网| 大陆偷拍与自拍| 久久精品亚洲精品国产色婷小说| 人成视频在线观看免费观看| 精品少妇一区二区三区视频日本电影| 黄片大片在线免费观看| 久久久久久久国产电影| 99热网站在线观看| 在线观看免费视频网站a站| 成人国语在线视频| 动漫黄色视频在线观看| 国产91精品成人一区二区三区| 天天躁狠狠躁夜夜躁狠狠躁| videosex国产| 日本wwww免费看| 国产亚洲一区二区精品| 一级片免费观看大全| 国产成+人综合+亚洲专区| 19禁男女啪啪无遮挡网站| 久久午夜综合久久蜜桃| 日韩欧美一区视频在线观看| 老司机福利观看| 极品少妇高潮喷水抽搐| 国产成人av教育| 欧美不卡视频在线免费观看 | 水蜜桃什么品种好| 男女免费视频国产| 欧美人与性动交α欧美软件| 久久中文字幕人妻熟女| 9191精品国产免费久久| 国产亚洲欧美在线一区二区| 国产精品电影一区二区三区 | netflix在线观看网站| 一夜夜www| 水蜜桃什么品种好| 午夜精品久久久久久毛片777| 99久久人妻综合| 亚洲综合色网址| 另类亚洲欧美激情| 国产成人免费无遮挡视频| 中文字幕人妻丝袜制服| 在线观看66精品国产| 久9热在线精品视频| 新久久久久国产一级毛片| 国产精品久久电影中文字幕 | √禁漫天堂资源中文www| 深夜精品福利| 91九色精品人成在线观看| 男女之事视频高清在线观看| 国产亚洲精品久久久久久毛片 | 欧美在线黄色| 亚洲情色 制服丝袜| 国产成人精品在线电影| 欧美日韩精品网址| av福利片在线| 亚洲国产精品sss在线观看 | 色综合婷婷激情| 亚洲av熟女| 日韩中文字幕欧美一区二区| 日本wwww免费看| 一a级毛片在线观看| 9色porny在线观看| 91精品三级在线观看| 免费观看精品视频网站| 老汉色av国产亚洲站长工具| 脱女人内裤的视频| 国产一区二区激情短视频| 中文字幕av电影在线播放| 国产精品九九99| 国产精品电影一区二区三区 | 欧美最黄视频在线播放免费 | 啦啦啦免费观看视频1| 18禁裸乳无遮挡动漫免费视频| 亚洲av成人不卡在线观看播放网| 一区在线观看完整版| 人人妻人人澡人人看| 精品国产国语对白av| 欧美午夜高清在线| 国产精品一区二区在线不卡| 国产91精品成人一区二区三区| 高清在线国产一区| 丝瓜视频免费看黄片| av片东京热男人的天堂| 村上凉子中文字幕在线| 777米奇影视久久| 国产精品综合久久久久久久免费 | √禁漫天堂资源中文www| 女人高潮潮喷娇喘18禁视频| 亚洲五月天丁香| 亚洲va日本ⅴa欧美va伊人久久| 亚洲九九香蕉| 又黄又粗又硬又大视频| 亚洲性夜色夜夜综合| 91九色精品人成在线观看| 岛国毛片在线播放| 中文字幕高清在线视频| 国产精品九九99| 精品一区二区三区av网在线观看| 亚洲精品美女久久久久99蜜臀| 亚洲欧美日韩高清在线视频| 亚洲精品美女久久久久99蜜臀| 国产aⅴ精品一区二区三区波| 一进一出好大好爽视频| 久久影院123| 久久久久久久国产电影| 精品国产一区二区久久| 久久久精品区二区三区| 久久99一区二区三区| 免费在线观看视频国产中文字幕亚洲| 欧美日韩乱码在线| 天天躁日日躁夜夜躁夜夜| 欧美日韩亚洲综合一区二区三区_| av不卡在线播放| 欧美日韩乱码在线| 一本综合久久免费| 99国产综合亚洲精品| 色老头精品视频在线观看| 视频在线观看一区二区三区| 激情在线观看视频在线高清 | 午夜久久久在线观看| 精品久久久久久,| 18在线观看网站| 脱女人内裤的视频| 精品亚洲成a人片在线观看| 日本一区二区免费在线视频| 亚洲全国av大片| 国产麻豆69| 91成人精品电影| 久久精品国产99精品国产亚洲性色 | 欧美午夜高清在线| 黄色a级毛片大全视频| 国产精品九九99| 精品久久久精品久久久| 国产精品自产拍在线观看55亚洲 | 国产极品粉嫩免费观看在线| 精品人妻在线不人妻| 色播在线永久视频| 欧美日韩成人在线一区二区| 国产成人系列免费观看| 国产激情欧美一区二区| 久久99一区二区三区| 亚洲 国产 在线| 国产片内射在线| 99国产综合亚洲精品| 国产无遮挡羞羞视频在线观看| 精品欧美一区二区三区在线| 欧美激情极品国产一区二区三区| 一级a爱视频在线免费观看| 国产精品秋霞免费鲁丝片| 国产91精品成人一区二区三区| 欧美乱色亚洲激情| 99香蕉大伊视频| 国产精品久久久人人做人人爽| 咕卡用的链子| 后天国语完整版免费观看| 日韩精品免费视频一区二区三区| 色播在线永久视频| 中文欧美无线码| 啦啦啦免费观看视频1| 国产1区2区3区精品| 18在线观看网站| 丁香欧美五月| 夜夜躁狠狠躁天天躁| 亚洲黑人精品在线| 女人高潮潮喷娇喘18禁视频| 亚洲欧洲精品一区二区精品久久久| 亚洲av成人av| 精品久久久精品久久久| 国产成人精品久久二区二区91| 国产视频一区二区在线看| 一级作爱视频免费观看| 亚洲少妇的诱惑av| 国内久久婷婷六月综合欲色啪| 啦啦啦 在线观看视频| 欧美乱妇无乱码| av天堂久久9| 亚洲视频免费观看视频| 少妇猛男粗大的猛烈进出视频| 亚洲九九香蕉| av免费在线观看网站| 久久久国产成人免费| 精品亚洲成国产av| 午夜久久久在线观看| 十八禁网站免费在线| 亚洲av成人一区二区三|