3 设计 18

3.1 训练准备 18

3.2 TRAINING 19

3.3 TEST 19

4 结论 21

4.1 实验结果 21

5 总结 24

5.1 深度学习展望 24

5.2 本文研究总结 25

致谢 26

参考文献 27

1 绪论

1. 卷积神经网络的概念

      在胡贝尔和魏塞尔的启发下,提出了卷积神经网络(美国有线电视新闻网)用于猫视觉皮层电生理学的研究。Yann Lecun首次使用美国有线电视新闻网进行手写数字识别,并保持其在该问题上的主导地位。近年来,卷积神经网络在多个方向上不断发展,在语音识别、人脸识别、一般目标识别、运动分析、自然语言处理、脑电波分析等方面有了突破性进展。

构造神经网络就像是美国有线电视新闻网，它是一种在多层神经网络的基础上进一步开发出来的神经网络。

在多层神经网络之中有这个一个用来输入数据的层面和一个用来进行数据输出的层面，中间贼有着许许多多影藏起来的层面,每个想领的数据层之间的下一层中的每个神经元与前一层中的每个神经元都是相互交互连接的。在一般的深度学习图像语义分析问题中,数据输入层表示答题的数据输入方向特征,输入层中的每个神经元表示都代表着一个特征值。而且每个神经元的特征值都不同，他们都有各自的参数，哪怕他们在同一层里面，他们也都有自己的标签，这样我们才能够迅速的找到我们所需要的相对应的神经元。

在深度学习的图像特征辨析以及图像分割问题中，用来进行数据输入的层面中的每一个神经元可以将像素的特征值表示出来。但是呢在这个卷积神经网络的图像辨析以及分割问题中还是存在一些问题。首先我们并没有考虑到图像的位置，以及他们所在的空间所构成的结构，他的识别认知受到了一定的限制。主要产生这个问题的原因是因为多余的连接过多，从而导致了很多不必要的运算数据，从而拖慢了训练速度。但是我们也不能单纯的建发链接去除，因为一旦去除了必要的连接，那么层与层之间的联系就会中断，就会导致一系列的严重后果，比如程序崩溃，死机等等，再变成是这些问题都是常常发生的，我们在实际操作是必须要谨慎，避免出现此类错误，因为这可能会导致文件损坏让你前功尽弃。

我们可以通过使用多层结构以及进行一定的训练来解决这些问题，并且鉴于这个方法的速度较快,易于使用多层神经网络,多层结构在识别精度方面具有很大的优势。

但是如果训练模型的数量不足会加大最后的出的LOSS值，最后输出的结果可能会与实际的情况有一定的误差，所以在有限的时间下如何挑选我们需要训练的模型的大小以及种类是非常重要的，一旦选择失误就有可能得不偿失。因此在进行训练之前应先查询模型大小，以及参考他人训练成果以及时间，来寻找最适合自己的数据库模型。还有最重要的一点，如果要精确度高，那么我们模型的种类就必须要多，中了越多，那么他学习到的东西特征就越明显，在比对时就有更加多的选择从而达到提高准确度的效果。

  卷积神经网络的应用非常广泛，从人们熟知的人脸识别到汽车的车载识别器，这些领域都用到了卷积网络以及深度学习，而且随着科技的不断发展，我们在声控领域以及人工智能领域也运用到了深度学习，这两年甚至还兴起了智能家居也是通过深度学习的原理来进行创造的，可以说这连年随着科技的不断发展，深度学习借着科技的发展也在和科技进行交替发展，他们祈祷了一个互相促进的作用。在本文中我们主要讲述深度学习在图像与识别中的应用。

1.1 什么是卷积神经网络