【《宠物识别的机器学习算法分析》1900字】

宠物识别的机器学习算法分析目录TOC\o"1-3"\h\u3664宠物识别的机器学习算法分析 1229881.1卷积神经网络 1250081.2迁移学习 2在机器学习中，往往接触最多的就是神经网络，神经网络按照类型区分分为许多种，如全连接层神经网络、卷积神经网络、循环神经网络、残差网络等等。在此次的系统设计中，使用了卷积神经网络和迁移学习的算法。卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork，CNN）[8]，是一种带有卷积结构的深度神经网络，卷积结构可以减少深层网络占用的内存量，也可以减少网络的参数个数，缓解模型的过拟合问题[1]。其人工神经元能够反应在一定范围内的部分被覆盖区域外围单元，大型图像处理出色，一般由特征提取层和特征地图层构成[7]。卷积神经网络由一个或几个卷积层和最顶端的全连接层组成，同时还包括关联权重和池化层。卷积神经网络与其他深度学习结构相比，在图像和语音识别方面可以得到更好的结果。卷积神经网络总共三层，分别为卷积层、池化层、全连接层[15]。卷积层主要作用是提取划分部分的图片特征。池化层便是根据现有卷积层的输出数据与相应卷积核对应相乘输出的矩阵。全连接层便是使用卷积层与池化层传输的特征进行分类。卷积层是一组平行的特征图，由在输入图像上滑动不同的卷积核来执行一定的运算构成，另外，在每个滑动位置上，在卷积的内核与输入图像之间，执行将与元素相对应的卷积进行加减运算，从而把感觉野内的信息直接投影在特征图的元素上。该步幅的滑动过程被统称为步幅z_s，步幅z_s是控制输入特性示意图大小的一个重要因素。卷积内核的大小远远超过输入图像，与其他输入图像的重叠或者平行。一个特征图中的全部元素由一个卷积的内核进行计算。即是说，一个特征图在一个区域中分别拥有相同的权重和偏项。卷积网络的池化层中，是少不了池化函数的，使用该函数进行降维。本次使用为"最大池化"，它是将输入的图像分割成单独的多个矩形的区域，对每个矩形区域进行扫描,通过给每个矩形子区域计算最大值来减少元素的个数。当计算量和参数的数量下降时，在一定的程度上控制了特征重合，如REF_Toc5733_WPSOffice_Level2\h图STYLEREF1\s31，通常来说，卷积神经网络的网络结构中的卷积层之间都会周期性地插入池化层。池化的操作提供了另一种形式的平移不变性，因为卷积核是一种特征发现器，通过卷积层发现图像中的各种边缘，但是卷积核发现的特征往往过于精确，即使高速连续的拍摄一个物体，图片中物体边缘像素位置也不大可能全部一样，因此使用池化层可以降低卷积层对边缘的敏感性。图STYLEREF1\s3SEQ图\*ARABIC\s11步幅为2，池化层为2*2的最大池化层项目使用就是卷积神经网络，相比其他算法，卷积神经网络在图像识别领域具有更低的错误率，通过该算法达到的错误率非常接近人工标注的错误率，甚至比机器人更低的错误率。算法应用本次使用网络模型为LetNet-5，一种高效的神经网路，是YannLeCun在1998年提出的卷积神经网络算法，LetNet-5模型中包括6层网络结构，主要由输入层、2组卷积池化组合层、2组全连接层和输出成组成。该模型输入图像规格为32×32×1，其中32为数据集样本图像像素的长和宽，1代表RGB颜色通道中的灰度通道[6]。卷积式神经网络长期以来被认为是图像识别技术应用领域的主要核心算法之一，并且在机器和计算机上大量学习和训练数据时有稳定表现。对于普通大规模的图像识别问题，卷积神经网络用来构造阶级分类器，也就是我们可以在精细分类识别中作为一种用来提取图像的判断和特征以便其它的分类仪器进行识别和学习。近几年，它使用出现在我们日常使用的微信中的语音转文字,通过将语音的音波数值切割成多段，在多段的每节中取出噪音识别它含有的特征后，将语音资料的运送给计算机，进行辅导，最后会将将这种语音的独特特征与文字匹配进行相关联。卷积神经网络也在股市中被用来预测不同时区市场的价值变化。迁移学习传统的移动式机器学习技术，有一个严重的缺点，训练数据和被认为是相同数据的分布，然而，在很多场合的情况下，数据不能够满足这个假设，通常都会需要我们花费大量的时间人力和物质资源去准确地标注大量的数据以满足对于训练的要求，致使导致了数据的巨大浪费，但迁移学习却无法从现有数据中提取和传递知识，用于完成新的学习任务[3]。它主要是将一个已经训练好的卷积神经网络模型通过适当的调整方式使其能够适用于一个新的任务，训练后的卷积神经网络卷积层即可对图像信号进行特征提取，将被提取得到的特征向量再通过输入较为简易的全连接层就能够实现更好的特征识别和分类[9]。通过从已经学习了相关的任务转移知识，从而改进自己所学的新任务[12]。迁移式学习节约了人工标注样品的时间，近年来由于