• <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
    日韩一卡2卡3卡4卡2021年| 黑人操中国人逼视频| 精品午夜福利视频在线观看一区| 给我免费播放毛片高清在线观看| 成人手机av| 女警被强在线播放| 大香蕉久久成人网| 最近最新免费中文字幕在线| 久久久国产成人免费| 女人精品久久久久毛片| 日本三级黄在线观看| 看免费av毛片| 亚洲男人的天堂狠狠| 窝窝影院91人妻| 久久人人爽av亚洲精品天堂| 欧美久久黑人一区二区| 9色porny在线观看| 一级毛片高清免费大全| 精品电影一区二区在线| 国产精品爽爽va在线观看网站 | 亚洲五月婷婷丁香| 看免费av毛片| 乱人伦中国视频| АⅤ资源中文在线天堂| 人人妻人人澡人人看| 亚洲色图综合在线观看| 国产欧美日韩一区二区三区在线| 国产精品爽爽va在线观看网站 | 91麻豆av在线| 色婷婷久久久亚洲欧美| 精品人妻在线不人妻| 大型av网站在线播放| 中出人妻视频一区二区| 午夜激情av网站| 在线观看一区二区三区| 一边摸一边抽搐一进一小说| 日本在线视频免费播放| 中文亚洲av片在线观看爽| 精品人妻在线不人妻| 日本 欧美在线| 午夜成年电影在线免费观看| 少妇 在线观看| 国产av一区二区精品久久| 一个人观看的视频www高清免费观看 | 可以免费在线观看a视频的电影网站| 91精品国产国语对白视频| 九色亚洲精品在线播放| 亚洲五月色婷婷综合| 欧美一区二区精品小视频在线| 国产欧美日韩一区二区三区在线| 99久久99久久久精品蜜桃| 啦啦啦韩国在线观看视频| 国产成人精品久久二区二区免费| av免费在线观看网站| 少妇 在线观看| 欧美精品亚洲一区二区| 亚洲国产高清在线一区二区三 | 国产精品乱码一区二三区的特点 | 亚洲色图 男人天堂 中文字幕| 在线观看日韩欧美| 中文字幕av电影在线播放| 成人av一区二区三区在线看| 久久久精品欧美日韩精品| 免费在线观看亚洲国产| 国产亚洲精品av在线| 亚洲伊人色综图| 久久久精品欧美日韩精品| 免费不卡黄色视频| 在线十欧美十亚洲十日本专区| 天天躁狠狠躁夜夜躁狠狠躁| 中文字幕另类日韩欧美亚洲嫩草| 午夜久久久在线观看| 国产精品1区2区在线观看.| 黄色女人牲交| 久久香蕉激情| 美国免费a级毛片| 美女大奶头视频| 国产高清有码在线观看视频 | 啪啪无遮挡十八禁网站| 天堂影院成人在线观看| 精品电影一区二区在线| 日日干狠狠操夜夜爽| 亚洲avbb在线观看| 久久精品91蜜桃| 深夜精品福利| 国产麻豆69| 91在线观看av| 村上凉子中文字幕在线| 久久人妻熟女aⅴ| 91麻豆av在线| 999久久久精品免费观看国产| 中文字幕人妻丝袜一区二区| 99久久精品国产亚洲精品| 欧美乱色亚洲激情| 午夜免费观看网址| 18禁黄网站禁片午夜丰满| 亚洲午夜理论影院| 男女做爰动态图高潮gif福利片 | 日本黄色视频三级网站网址| 色综合站精品国产| 亚洲av电影不卡..在线观看| 一级a爱视频在线免费观看| 1024香蕉在线观看| 日韩一卡2卡3卡4卡2021年| 欧美 亚洲 国产 日韩一| 午夜a级毛片| 视频在线观看一区二区三区| 久久午夜综合久久蜜桃| 成人国产一区最新在线观看| 国产高清有码在线观看视频 | a在线观看视频网站| 国内精品久久久久精免费| 久久人人97超碰香蕉20202| 久久中文字幕人妻熟女| 久久久久精品国产欧美久久久| 一区二区三区激情视频| 国产黄a三级三级三级人| 精品一区二区三区四区五区乱码| 老司机在亚洲福利影院| 欧美黑人欧美精品刺激| 性欧美人与动物交配| 激情在线观看视频在线高清| 黄片小视频在线播放| 别揉我奶头~嗯~啊~动态视频| 一级毛片高清免费大全| 欧美黑人精品巨大| 免费在线观看黄色视频的| 在线观看舔阴道视频| 亚洲第一av免费看| 制服诱惑二区| 中文字幕精品免费在线观看视频| 18禁国产床啪视频网站| 老司机午夜十八禁免费视频| 在线观看免费视频日本深夜| videosex国产| 色尼玛亚洲综合影院| 妹子高潮喷水视频| 嫩草影院精品99| 亚洲欧美精品综合久久99| 一二三四在线观看免费中文在| 人人妻人人爽人人添夜夜欢视频| 欧美中文日本在线观看视频| 精品国产超薄肉色丝袜足j| 欧美激情极品国产一区二区三区| 精品久久久久久成人av| 精品电影一区二区在线| av超薄肉色丝袜交足视频| 人妻丰满熟妇av一区二区三区| 国产精品久久久久久亚洲av鲁大| 麻豆av在线久日| 欧美一级a爱片免费观看看 | 国产精品综合久久久久久久免费 | 免费一级毛片在线播放高清视频 | 九色国产91popny在线| ponron亚洲| 国产伦人伦偷精品视频| 久久人人爽av亚洲精品天堂| 欧美+亚洲+日韩+国产| 国产私拍福利视频在线观看| 国内精品久久久久久久电影| 丁香六月欧美| 老司机靠b影院| 香蕉丝袜av| www.熟女人妻精品国产| 国产av在哪里看| 久久久久久久久久久久大奶| 国产成人免费无遮挡视频| 午夜影院日韩av| 18美女黄网站色大片免费观看| 人妻丰满熟妇av一区二区三区| 欧美日本亚洲视频在线播放| 成年人黄色毛片网站| 国产亚洲精品av在线| 无遮挡黄片免费观看| 日韩视频一区二区在线观看| 1024视频免费在线观看| 人妻久久中文字幕网| 一级毛片精品| 亚洲欧美激情在线| 99国产极品粉嫩在线观看| 国产一区二区在线av高清观看| 久久久久九九精品影院| 午夜两性在线视频| 久久久国产欧美日韩av| 宅男免费午夜| 欧美激情高清一区二区三区| 桃色一区二区三区在线观看| 日日摸夜夜添夜夜添小说| 麻豆久久精品国产亚洲av| 在线免费观看的www视频| 一级,二级,三级黄色视频| 欧美中文综合在线视频| 婷婷精品国产亚洲av在线| 一个人观看的视频www高清免费观看 | 国产一区二区三区视频了| 欧美日韩亚洲综合一区二区三区_| 国产片内射在线| 91字幕亚洲| 电影成人av| 波多野结衣巨乳人妻| 欧美黑人精品巨大| 在线av久久热| 精品一区二区三区视频在线观看免费| 男女下面插进去视频免费观看| 啦啦啦观看免费观看视频高清 | 9色porny在线观看| 欧美日本亚洲视频在线播放| 久9热在线精品视频| www日本在线高清视频| 亚洲久久久国产精品| 久久精品国产99精品国产亚洲性色 | 国产免费av片在线观看野外av| 午夜老司机福利片| 亚洲国产高清在线一区二区三 | 国产成人影院久久av| 精品国产国语对白av| 一个人免费在线观看的高清视频| 国内久久婷婷六月综合欲色啪| 成人国产一区最新在线观看| 香蕉国产在线看| 亚洲va日本ⅴa欧美va伊人久久| 国产精品二区激情视频| 丰满人妻熟妇乱又伦精品不卡| 国产精品影院久久| 久久久久国内视频| 岛国在线观看网站| 日韩欧美免费精品| 国产成人精品久久二区二区免费| 欧美黄色片欧美黄色片| √禁漫天堂资源中文www| 纯流量卡能插随身wifi吗| 久久亚洲真实| 99国产精品一区二区三区| 老汉色av国产亚洲站长工具| 日韩欧美国产在线观看| 久久狼人影院| 久久草成人影院| 国产精品综合久久久久久久免费 | 亚洲自偷自拍图片 自拍| 国产精品二区激情视频| 午夜久久久久精精品| 国产三级在线视频| tocl精华| 一边摸一边做爽爽视频免费| 久久久久久久精品吃奶| 搞女人的毛片| 俄罗斯特黄特色一大片| 91精品国产国语对白视频| 午夜免费观看网址| 欧美国产日韩亚洲一区| 精品人妻1区二区| 国产亚洲av嫩草精品影院| 国产免费男女视频| 久久久精品欧美日韩精品| 亚洲在线自拍视频| 一a级毛片在线观看| 三级毛片av免费| 亚洲成人免费电影在线观看| 1024视频免费在线观看| 老司机在亚洲福利影院| 欧美成人性av电影在线观看| 国产精品亚洲美女久久久| 国产91精品成人一区二区三区| 两性夫妻黄色片| 日日摸夜夜添夜夜添小说| 午夜影院日韩av| 亚洲精品久久国产高清桃花| 日韩精品中文字幕看吧| 90打野战视频偷拍视频| 久久国产亚洲av麻豆专区| 日韩欧美三级三区| 亚洲精品国产色婷婷电影| 日韩成人在线观看一区二区三区| 黄色片一级片一级黄色片| 中文亚洲av片在线观看爽| 亚洲一码二码三码区别大吗| 久久精品亚洲精品国产色婷小说| 亚洲狠狠婷婷综合久久图片| 精品久久久久久久人妻蜜臀av | 欧洲精品卡2卡3卡4卡5卡区| 巨乳人妻的诱惑在线观看| 国产成人av教育| 亚洲欧美激情在线| 丝袜人妻中文字幕| 变态另类成人亚洲欧美熟女 | 激情视频va一区二区三区| 亚洲七黄色美女视频| 色播在线永久视频| 国产精品爽爽va在线观看网站 | 不卡av一区二区三区| 国产一区二区在线av高清观看| 欧美大码av| 日韩精品免费视频一区二区三区| 成熟少妇高潮喷水视频| 国产精品久久久av美女十八| 首页视频小说图片口味搜索| 午夜影院日韩av| 人人妻人人澡人人看| 色哟哟哟哟哟哟| www.www免费av| 欧美不卡视频在线免费观看 | 久久久久久久午夜电影| 亚洲精品av麻豆狂野| 黄片小视频在线播放| 久久伊人香网站| 搡老岳熟女国产| aaaaa片日本免费| 每晚都被弄得嗷嗷叫到高潮| 波多野结衣一区麻豆| 在线观看免费视频日本深夜| 一边摸一边抽搐一进一小说| 黑人巨大精品欧美一区二区mp4| 69av精品久久久久久| 熟妇人妻久久中文字幕3abv| 欧美日韩乱码在线| 日韩国内少妇激情av| 国产精品爽爽va在线观看网站 | 色老头精品视频在线观看| 香蕉丝袜av| 亚洲av成人一区二区三| 嫩草影院精品99| 亚洲中文日韩欧美视频| 亚洲人成77777在线视频| 亚洲精品av麻豆狂野| 中文字幕人妻丝袜一区二区| 日韩大尺度精品在线看网址 | 亚洲国产日韩欧美精品在线观看 | 身体一侧抽搐| 极品教师在线免费播放| 十分钟在线观看高清视频www| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美一区二区精品小视频在线| 精品免费久久久久久久清纯| 成人18禁在线播放| 一区二区三区高清视频在线| 久久久国产精品麻豆| 国产成人欧美在线观看| 少妇 在线观看| 国产成人精品在线电影| 午夜久久久在线观看| 好男人电影高清在线观看| 久久久久久久精品吃奶| 啦啦啦韩国在线观看视频| 精品久久久久久,| 黄片大片在线免费观看| 国产熟女xx| 国产一卡二卡三卡精品| 日本一区二区免费在线视频| 国产精品98久久久久久宅男小说| 琪琪午夜伦伦电影理论片6080| 亚洲avbb在线观看| 男人舔女人的私密视频| 99国产精品一区二区蜜桃av| 怎么达到女性高潮| 中文字幕人成人乱码亚洲影| 99精品久久久久人妻精品| 成人永久免费在线观看视频| 精品乱码久久久久久99久播| 午夜福利成人在线免费观看| 国产高清激情床上av| 国产激情久久老熟女| av在线播放免费不卡| 成人亚洲精品av一区二区| 美女午夜性视频免费| 中出人妻视频一区二区| 国产精品久久久av美女十八| 亚洲男人的天堂狠狠| av欧美777| 国产激情久久老熟女| 亚洲片人在线观看| 日韩欧美国产在线观看| 天堂动漫精品| 精品久久久久久久人妻蜜臀av | 久久人妻av系列| 欧美黄色片欧美黄色片| 亚洲色图综合在线观看| 国产一区二区激情短视频| 免费一级毛片在线播放高清视频 | 美女国产高潮福利片在线看| 母亲3免费完整高清在线观看| 美女国产高潮福利片在线看| 欧美成人一区二区免费高清观看 | 国产麻豆成人av免费视频| 老熟妇仑乱视频hdxx| 日本一区二区免费在线视频| 国产av在哪里看| 成人国语在线视频| 男人舔女人下体高潮全视频| 国产av一区在线观看免费| 久久天堂一区二区三区四区| 淫妇啪啪啪对白视频| 十八禁网站免费在线| 国产激情欧美一区二区| 亚洲狠狠婷婷综合久久图片| 久久精品亚洲熟妇少妇任你| 最近最新免费中文字幕在线| 亚洲精品在线美女| 在线观看免费午夜福利视频| 18禁观看日本| 97超级碰碰碰精品色视频在线观看| 国产野战对白在线观看| 亚洲avbb在线观看| 日韩欧美三级三区| 久久国产亚洲av麻豆专区| 精品久久久久久久毛片微露脸| 国产熟女xx| 日日干狠狠操夜夜爽| 亚洲va日本ⅴa欧美va伊人久久| 亚洲中文av在线| 黑人欧美特级aaaaaa片| 他把我摸到了高潮在线观看| 人妻丰满熟妇av一区二区三区| 国产精品九九99| 色播在线永久视频| 满18在线观看网站| 精品不卡国产一区二区三区| 久9热在线精品视频| www.自偷自拍.com| 99久久综合精品五月天人人| 91麻豆精品激情在线观看国产| 黑人欧美特级aaaaaa片| 久久精品人人爽人人爽视色| 日韩国内少妇激情av| av网站免费在线观看视频| 亚洲人成网站在线播放欧美日韩| 国产欧美日韩一区二区精品| 婷婷精品国产亚洲av在线| 成年女人毛片免费观看观看9| 日韩精品免费视频一区二区三区| 欧美久久黑人一区二区| 午夜福利免费观看在线| 亚洲最大成人中文| 嫁个100分男人电影在线观看| 老司机靠b影院| 国内精品久久久久久久电影| 国产不卡一卡二| 久久久久精品国产欧美久久久| 中文字幕人妻丝袜一区二区| 亚洲国产日韩欧美精品在线观看 | 日韩欧美在线二视频| 欧美激情 高清一区二区三区| 99精品在免费线老司机午夜| 亚洲九九香蕉| 一级a爱视频在线免费观看| 给我免费播放毛片高清在线观看| 久久欧美精品欧美久久欧美| 校园春色视频在线观看| 亚洲av美国av| 9191精品国产免费久久| 夜夜爽天天搞| 老汉色∧v一级毛片| 精品一区二区三区四区五区乱码| 人人妻,人人澡人人爽秒播| 久99久视频精品免费| 涩涩av久久男人的天堂| 欧美另类亚洲清纯唯美| 亚洲成人国产一区在线观看| 夜夜躁狠狠躁天天躁| 国产精品日韩av在线免费观看 | 十八禁人妻一区二区| 久久久久久人人人人人| 日本撒尿小便嘘嘘汇集6| 在线观看一区二区三区| 国产精品一区二区免费欧美| 久久久精品欧美日韩精品| 日韩精品中文字幕看吧| 大香蕉久久成人网| 成人国产一区最新在线观看| 欧美另类亚洲清纯唯美| 男女床上黄色一级片免费看| 久久精品国产综合久久久| 亚洲黑人精品在线| 亚洲电影在线观看av| 国产国语露脸激情在线看| 天天躁狠狠躁夜夜躁狠狠躁| 国产aⅴ精品一区二区三区波| 国产亚洲欧美在线一区二区| 日韩国内少妇激情av| 国产成人影院久久av| 精品电影一区二区在线| 亚洲第一欧美日韩一区二区三区| 宅男免费午夜| 久久精品国产综合久久久| 免费搜索国产男女视频| 老汉色∧v一级毛片| 国产亚洲欧美98| 少妇被粗大的猛进出69影院| 可以在线观看毛片的网站| 免费观看人在逋| 精品少妇一区二区三区视频日本电影| 在线观看免费午夜福利视频| 美女午夜性视频免费| 淫妇啪啪啪对白视频| 俄罗斯特黄特色一大片| 国产精品免费视频内射| 久99久视频精品免费| 久久久国产欧美日韩av| 久久草成人影院| 99re在线观看精品视频| 成人三级做爰电影| www.自偷自拍.com| 亚洲欧美激情综合另类| av天堂在线播放| 午夜精品久久久久久毛片777| 黑人巨大精品欧美一区二区mp4| 男女下面插进去视频免费观看| 亚洲国产欧美网| 女性生殖器流出的白浆| 久久国产亚洲av麻豆专区| 国产亚洲欧美在线一区二区| 国产成人免费无遮挡视频| 啦啦啦 在线观看视频| 欧美日韩瑟瑟在线播放| 欧美激情极品国产一区二区三区| 看免费av毛片| 国产欧美日韩精品亚洲av| 久久人人爽av亚洲精品天堂| 亚洲,欧美精品.| 欧美大码av| 免费在线观看完整版高清| 久久久久精品国产欧美久久久| 色综合亚洲欧美另类图片| 制服人妻中文乱码| 国产欧美日韩一区二区三| 午夜成年电影在线免费观看| 日本 av在线| 国内久久婷婷六月综合欲色啪| 国产高清激情床上av| 法律面前人人平等表现在哪些方面| 亚洲国产看品久久| 精品午夜福利视频在线观看一区| 美女大奶头视频| 成人三级做爰电影| av在线播放免费不卡| 亚洲avbb在线观看| 男女做爰动态图高潮gif福利片 | 每晚都被弄得嗷嗷叫到高潮| 99久久综合精品五月天人人| 十八禁网站免费在线| 国产精品乱码一区二三区的特点 | 亚洲国产精品999在线| 久久久久精品国产欧美久久久| 免费高清在线观看日韩| 一边摸一边做爽爽视频免费| 十分钟在线观看高清视频www| 午夜福利,免费看| 国产免费男女视频| 国产欧美日韩一区二区精品| 国产精品香港三级国产av潘金莲| 丁香六月欧美| 1024视频免费在线观看| 亚洲精品一区av在线观看| 九色国产91popny在线| 国产亚洲精品久久久久5区| 不卡一级毛片| 校园春色视频在线观看| 久久久久久久午夜电影| 一级黄色大片毛片| 国产区一区二久久| www.999成人在线观看| 精品国产国语对白av| 嫁个100分男人电影在线观看| 无遮挡黄片免费观看| 人妻丰满熟妇av一区二区三区| 高清黄色对白视频在线免费看| 午夜精品国产一区二区电影| 国产成人啪精品午夜网站| 露出奶头的视频| 一边摸一边做爽爽视频免费| 少妇的丰满在线观看| 亚洲熟妇熟女久久| 亚洲欧美精品综合一区二区三区| 桃色一区二区三区在线观看| 91精品三级在线观看| 老熟妇乱子伦视频在线观看| 免费在线观看亚洲国产| 88av欧美| 成人国产综合亚洲| 精品无人区乱码1区二区| 99热只有精品国产| 色婷婷久久久亚洲欧美| 国产成人av教育| 1024香蕉在线观看| 日本欧美视频一区| 黄色成人免费大全| 欧美另类亚洲清纯唯美| 免费在线观看黄色视频的| 国产精品国产高清国产av| 亚洲精品中文字幕一二三四区| 男男h啪啪无遮挡| 99在线人妻在线中文字幕| 国产精品一区二区免费欧美| 亚洲第一av免费看| 一区二区三区精品91| 久久精品亚洲精品国产色婷小说| 国产精品爽爽va在线观看网站 | 日韩成人在线观看一区二区三区| 97超级碰碰碰精品色视频在线观看| 自线自在国产av| 女警被强在线播放| 麻豆久久精品国产亚洲av| 午夜福利视频1000在线观看 | 中文字幕人妻丝袜一区二区| 亚洲avbb在线观看| 亚洲少妇的诱惑av| 美女 人体艺术 gogo| 国产精品免费视频内射| 日日干狠狠操夜夜爽| 欧美性长视频在线观看| 精品国产乱码久久久久久男人| 亚洲av片天天在线观看| 亚洲狠狠婷婷综合久久图片| 午夜日韩欧美国产| 色综合站精品国产| 国产精品电影一区二区三区|