基于卷积神经网络的图像分类PDF
2017/6/5 19:33:12 来源:Linux社区 作者:Linux

深度学习(Deep learning,DL)是机器学习(MachineLearning,ML)的一个崭新的领域,它的目的就是让机器学习更加接近其终极目标.人工智能。卷积神经网络是深度学习算法中的一种,具有结构简单、适应性强、训练参数少而连接多等特点,近年来被广泛应用在图像处理和模式识别等领域。Dropout是一种训练神经网络的思路,通过随机地将隐藏层的部分神经元的输出值归零而阻碍特征间的共生作用,降低了神经网络模型的测试误差,进而提高了神经网络模型泛化能力。支持向量机是一个分类算法,通过结构风险最小化理论提高模型的泛化能力。Caffe是一个开源的深度学习框架,具有执行速度快和模块清晰等特点。本文提出了一个卷积神经网络模型MNIST-Net,在模型的最后一层采用HingeLoss取代传统的Soft.Max回归进行分类,在未使用Dropout情况下将MNIST测试集的峰点准确率从99.05%提高到99.36%,平均峰点准确率从98.964% 提高到99.278%;在使用Dropout的情况下将峰点准确率从99.14%提高到99.39%,平均峰点准确率从99.024%提高到99.321%。

人工智能(Artificial Intelligence,AI)是一门探究如何拓展计算机的能力使之获得类似于人类的智能的学科,自被提出之日起便成为人类最美好的愿望之一。在这个愿望的指引下,计算科学领域在过去大半个世纪的研究焦点都在如何更好地对我们的所处的世界进行建模。而要做到这些,就要在计算机中存储大量关于我们现实世界的信息,并且能够让计算机根据要处理的问题的不同来进行组合或者演化这些信息。如今,经过了五十多年的不断研究,虽然与之相关的各种理论算法取得了突出的进步,但人工智能的困惑依然存在~截止目前我们还没有能够直接进行场景理解并且转化为自然语言的算法,也没有算法模型能够让计算机可以拥有足够多的知识来跟人类进行交流。

图灵(AlanMathison Turing)在其发表于1950年的一篇文章里,提出了一个超前的设想一凌空对话,你将不能分辨出与你交流的究竟是计算机抑或人类(后被称作为图灵实验)【l】。之后,大批的科研人员为了实验孜孜不倦地努力了近半个世纪。然而截止到21世纪初,人工智能领域的进展远远没有达到能够进行图灵实验的标准。这让翘首以待半个世纪的人们心灰意冷,对人工智能的发展方向和发展目的产生了质疑。

然而,自2006年以来随着Hinton等人在人工神经网络领域的突破性发现12】以及互联网的发展使得人类获得的越来越多的数据信息【31,机器学习领域取得的长足的进步,图灵实验并非之前那样遥不可及了。这其中的技术细节,不仅仅依赖于现代计算机计算能力的提升,更是借助人工神经网络领域算法的飞速发展。而这些算法就是深度学习(Deep learning,DL)算法。借助于深度学习的算法,人们终于揭开了如何进行数据抽象的神秘面纱。

在2012年6月份,New York Times披露了谷歌大脑的项目计划,吸引了来自全球各地各行各业人们的眼球。这项工程是由斯坦福大学的人工智能专家吴恩达和并行计算机系统的谷歌资深研究专家杰夫丹领导的小组完成,他们使用16000个CPU核心构建了一个强大的并行计算平台,通过来自YouTube的大量数据训练出拥有大约10亿节点的“深度神经网络”模型,经过长时间的训练后发现模型在出现猫的图片时候部分神经元出现了相对强烈的反应。

项目核心负责人之一吴恩达教授说:“谷歌大脑团队没有像往常一样设定了学习的边界,而是直接将海量数据信息输入到上述模型中,通过有监督和无监督的学习方法从数据中学习到信息。”而杰夫丹则说到除了原始数据,他们并没有输入模型任何关于猫的信息,模型是学习到了或者明白了“猫”这个抽象的概念的。

完整PDF文档可以到Linux公社资源站下载:

------------------------------------------分割线------------------------------------------

免费下载地址在 http://linux.linuxidc.com/

用户名与密码都是www.linuxidc.com

具体下载目录在 /2017年资料/6月/5日/基于卷积神经网络的图像分类PDF/

下载方法见 http://www.linuxidc.com/Linux/2013-07/87684.htm

------------------------------------------分割线------------------------------------------

本文永久更新链接地址http://www.linuxidc.com/Linux/2017-06/144534.htm


11

本栏最新