基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi).pdf

1、深度學(xué)習(xí)(Deep learning，DL)是機(jī)器學(xué)習(xí)(Machine Learning，ML)的一個(gè)嶄新的領(lǐng)域，它的目的就是讓機(jī)器學(xué)習(xí)更加接近其終極目標(biāo)-人工智能。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中的一種，具有結(jié)構(gòu)簡(jiǎn)單、適應(yīng)性強(qiáng)、訓(xùn)練參數(shù)少而連接多等特點(diǎn)，近年來(lái)被廣泛應(yīng)用在圖像處理和模式識(shí)別等領(lǐng)域。Dropout是一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的思路，通過(guò)隨機(jī)地將隱藏層的部分神經(jīng)元的輸出值歸零而阻礙特征間的共生作用，降低了神經(jīng)網(wǎng)絡(luò)模型的測(cè)試誤差，進(jìn)而提高

2、了神經(jīng)網(wǎng)絡(luò)模型泛化能力。支持向量機(jī)是一個(gè)分類(lèi)算法，通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論提高模型的泛化能力。Caffe是一個(gè)開(kāi)源的深度學(xué)習(xí)框架，具有執(zhí)行速度快和模塊清晰等特點(diǎn)。本文提出了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型MNIST-Net，在模型的最后一層采用Hinge Loss取代傳統(tǒng)的Soft-Max回歸進(jìn)行分類(lèi)，在未使用Dropout情況下將MNIST測(cè)試集的峰點(diǎn)準(zhǔn)確率從99.05％提高到99.36％，平均峰點(diǎn)準(zhǔn)確率從98.964％提高到99.278％;在使用