基于卷积神经网络的手写数字识别专家讲座_第1页
基于卷积神经网络的手写数字识别专家讲座_第2页
基于卷积神经网络的手写数字识别专家讲座_第3页
基于卷积神经网络的手写数字识别专家讲座_第4页
基于卷积神经网络的手写数字识别专家讲座_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于卷积神经网络手写数字识别第1页第2页第3页卷积神经网络基于人工神经网络使用卷积核作为特征抽取器自动训练特征抽取器（即卷积核，即阈值参数）卷积核一次训练屡次使用，能够在线学习（模型在训练好之后，在使用中继续训练）。局部感受野+权值共享+下采样使模型参数大幅减小。第4页第5页第6页7卷积w13w12w11w23w22w21w33w32w3110-110-110-1ConvolvewithThresholdw13w12w11w23w22w21w33w32w31卷积其实是一个图像处理核卷积用于增强图像某种特征，降低噪音第7页8卷积features第8页9卷积第9页子采样利用图像局部相关性原理，降低训练维数，同时保留了有用信息降低图像分辨率增强网络对大小改变适用性第10页子采样第11页第12页为何不把S2中每个特征图连接到每个C3特征图呢？原因有2点。第一，不完全连接机制将连接数量保持在合理范围内。第二，也是最主要，其破坏了网络对称性。因为不一样特征图有不一样输入，所以迫使他们抽取不一样特征。第13页训练过程训练算法与传统BP算法差不多。主要包含4步，这4步被分为两个阶段：第一阶段，向前传输阶段：a）从样本集中取一个样本(X,Yp)，将X输入网络；b）计算对应实际输出Op。

在此阶段，信息从输入层经过逐层变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行过程。在此过程中，网络执行是计算（实际上就是输入与每层权值矩阵相点乘，得到最终输出结果）：

Op=Fn（…（F2（F1（XpW（1））W（2））…）W（n））第二阶段，向后传输阶段a）算实际输出Op与对应理想输出Yp差；b）按极小化误差方法反向传输调整权矩阵。第14页15LeNet5第15页16LeNet5第16页优点

卷积神经网络较普通神经网络在图像处理方面有以下优点：

a）输入图像和网络拓扑结构能很好吻合；b）特征提取和模式分类同时进行，并同时在训练中产生；c）权重共

人人文库> 全部分类> 办公材料 > 办公文档

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论