基于卷積神經(jīng)網(wǎng)絡的圖像分類.pdf

1、深度學習(Deep learning，DL)是機器學習(Machine Learning，ML)的一個嶄新的領(lǐng)域，它的目的就是讓機器學習更加接近其終極目標-人工智能。卷積神經(jīng)網(wǎng)絡是深度學習算法中的一種，具有結(jié)構(gòu)簡單、適應性強、訓練參數(shù)少而連接多等特點，近年來被廣泛應用在圖像處理和模式識別等領(lǐng)域。Dropout是一種訓練神經(jīng)網(wǎng)絡的思路，通過隨機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)絡模型的測試誤差，進而提高

2、了神經(jīng)網(wǎng)絡模型泛化能力。支持向量機是一個分類算法，通過結(jié)構(gòu)風險最小化理論提高模型的泛化能力。Caffe是一個開源的深度學習框架，具有執(zhí)行速度快和模塊清晰等特點。本文提出了一個卷積神經(jīng)網(wǎng)絡模型MNIST-Net，在模型的最后一層采用Hinge Loss取代傳統(tǒng)的Soft-Max回歸進行分類，在未使用Dropout情況下將MNIST測試集的峰點準確率從99.05％提高到99.36％，平均峰點準確率從98.964％提高到99.278％;在使用