|
页面智能生成研究及小程序应用 | |
论文目录 | |
| 摘要 | 第1-6页 |
| abstract | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题背景 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关技术研究 | 第17-23页 |
| 2.1 图像模型 | 第17-18页 |
| 2.1.1 VGG图像模型 | 第17-18页 |
| 2.1.2 注意力机制 | 第18页 |
| 2.2 文本模型 | 第18-19页 |
| 2.2.1 长短期记忆网络 | 第18-19页 |
| 2.2.2 门控循环单元 | 第19页 |
| 2.3 迁移学习 | 第19页 |
| 2.4 文本分类评价方法 | 第19-21页 |
| 2.4.1 召回率、准确率、F1-measure | 第20页 |
| 2.4.2 AUC/ROC曲线 | 第20-21页 |
| 2.4.3 n-gram BLEU评分 | 第21页 |
| 2.5 系统开发 | 第21-23页 |
| 2.5.1 微信小程序框架 | 第21-22页 |
| 2.5.2 Node.js | 第22页 |
| 2.5.3 Flask | 第22-23页 |
| 第三章 基于深度学习的页面智能生成模型page2code | 第23-55页 |
| 3.1 页面代码智能生成难点分析 | 第23-26页 |
| 3.1.1 图像模型 | 第24-25页 |
| 3.1.2 文本模型 | 第25页 |
| 3.1.3 解码模型 | 第25-26页 |
| 3.2 Page2code模型结构 | 第26-33页 |
| 3.2.1 基于注意力机制的多尺度图像特征提取模型 | 第27-30页 |
| 3.2.2 结合词向量处理的文本模型 | 第30-31页 |
| 3.2.3 端到端的解码模型 | 第31-32页 |
| 3.2.4 自定义风格配置生成 | 第32-33页 |
| 3.3 训练与采样 | 第33-35页 |
| 3.3.1 数据预处理 | 第34-35页 |
| 3.3.2 实现细节 | 第35页 |
| 3.4 数据集制作算法 | 第35-41页 |
| 3.4.1 问题分析 | 第36-37页 |
| 3.4.2 算法实现 | 第37-41页 |
| 3.5 实验与分析 | 第41-53页 |
| 3.5.1 评估方法 | 第41-43页 |
| 3.5.2 实验环境 | 第43页 |
| 3.5.3 模型生成结果对比 | 第43-52页 |
| 3.5.4 结果分析 | 第52-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 页面智能生成系统的设计与实现 | 第55-73页 |
| 4.1 功能需求分析 | 第55-58页 |
| 4.1.1 用户功能分析 | 第55-57页 |
| 4.1.2 系统功能分析 | 第57-58页 |
| 4.1.3 模型功能分析 | 第58页 |
| 4.2 总体架构设计 | 第58-59页 |
| 4.3 Web系统的详细设计与实现 | 第59-64页 |
| 4.3.1 用户界面设计 | 第59-60页 |
| 4.3.2 图片处理流程 | 第60-61页 |
| 4.3.3 请求响应策略 | 第61-63页 |
| 4.3.4 模型通信模块 | 第63页 |
| 4.3.5 文件信息存储 | 第63-64页 |
| 4.4 微信小程序系统的详细设计与实现 | 第64-67页 |
| 4.4.1 工程架构设计 | 第64-65页 |
| 4.4.2 模型编译模块 | 第65-67页 |
| 4.5 系统测试 | 第67-71页 |
| 4.5.1 环境部署 | 第67页 |
| 4.5.2 Web系统功能测试 | 第67-70页 |
| 4.5.3 微信小程序功能测试 | 第70-71页 |
| 4.6 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 总结 | 第73-74页 |
| 5.2 未来展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |
本篇论文共81页，点击
这进入下载页面 |
|
| Copyright(C) All Rights Reserved |
| 客服QQ：304386486 |
| 目录由用户 a35772492** 提供，作者删除入口请点击这里 |