基于Python异常信息丰富度约束下CNN压缩系统设计与实现
项目地址：基于Python异常信息丰富度约束下CNN压缩系统设计与实现
摘 要
结构化网络剪枝的过程主要包括两种:逐层迭代剪枝和端到端迭代剪枝。而其中端到端迭代方案在获取第一个剪枝网络结构时，网络各层过滤器被剪枝的个数是随机的，破坏了原始网络与被剪枝网络相同层之间的关联性，在此基础上，采用各种优化方法寻求压缩网络结构，会导致在下一次更新时，形成“次优方案迭代次优方案”。
异常信息丰富度约束下CNN压缩系统是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
关键词：msyql；信息；python；机器学习；预测 CNN压缩
2．2功能需求分析
本异常信息丰富度约束下CNN压缩原油价格预测系统信息数据爬取以及数据处理，所以前端页面展示效果相对比较简单，为了提高布伦特原油和 WTI 原油差价交易有效性、流动性和实现成本控制， NYMEX 将布伦特原油期货交易实现CNN压缩的公开报价设定在都柏林的交易大厅，其余时间在 NYMEX ACCESS 电子系统平台上交易。公开叫价时间为都柏林时间上午 10 点至下午 7 ： 30 ， NYMEX ACCESS 系统电子交易时间为都柏林时间下午 8:15 至上午 9:30 。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
利用机器学习及人工智能的优势对布伦特原油的价格及发展做出预期的探究与分析，同时异常信息丰富度约束下CNN压缩原油价格预测分析更加客观以及准确。
本课题采用的技术在现实中的应用都相当广泛，有很多可以借鉴的地方，这些都充分说明本系统在技术方面是可行的。
1. 爬虫结合；将信息抽取于信息处理模块结合为一个模块，在信息抽取的同时对信息进行一些必要的处理，并最终将处理好的结构化信息保存在数据库中，那么会使整个系统的性能有很大的提高。在网络爬虫和数据仓库技术越来越成熟的今天，有效的利用两者成熟的技术，并综合利用两者获取更高的利益，是该课题主要研究的方向。
2. 数据使用价值的提高；通过对获取的数据进行处理，将网页这种非结构化信息转化为结构化信息，将页面划分为若干块，具体包括文本块、图像块、链接块等；最后对信息进行分块提取，保存到相应的数据库中。最终实现将看起来无用的数据变得有利用价值，提高数据的使用价值。
