基于卷积神经网络的图像识别算法ppt课件
合集下载
CNN(卷积神经网络) ppt课件
为了处理一维序列数据，便有了循环神经网络，以及基于循环神经网络 优化而来的lstm,attention机制等．
目录
Contents
2. 卷积神经网络
2.1. 卷积神经网络和深度学习的历史 2.2. 卷积神经网络的设计和原理 2.3. 卷积神经网络的神经科学基础
CNN处理图像
卷积神经网络的计算效率提升，参数量：10^12 －＞ 10^6
卷积神经网络池化有最大池化(max_pool)和平均池化(avg_pool)，顾名 思义，最大池化取区域内最大值，平均池化取区域内平均值．其它池化包 括L 2 范数以及依靠据中心像素距离的加权平均池化．
ＣＮＮ池化过程
CNN 特性－池化
为什么要池化？
１．减少参数的量，提高计算效率． ２．最大池化能显著增强局部特征，平均池化可减少噪声．
深度学习以及卷积神经网络的适用需要大量的有效训练数据，过去的互联网时代为 深度学习提供了大量的训练数据，同时随着几十年来硬件技术的发展，为利用和计算 大量数据提供了条件．所以，近年来，每一次模型算法的更新，都取得了良好的效果， 为深度学习这把火炬增添了燃料．
卷积神经网络和深度学习的历史
卷积神经网络提供了一种方法来专业化神经网络，以处理具有清楚的网 络结构的数据，以及将这样的模型放大到非常大的尺寸(加深层数).这种方法 在二维图像拓扑上的应用是最成功的．同时，卷积神经网络比全连接网络计 算效率更高，使用他们运行多个实验并调整它们的实现和超参数更容易，更 大的网络也更容易训练．
CNN特性－权值共享和多卷积核
卷积神经网络之所以计算效率高，对特征提取的效果好，主要是由于卷 积神经网络具有以下三个特性：权值共享，多卷积核，池化．
权值共享
请在这里输入论文答辩
目录
Contents
2. 卷积神经网络
2.1. 卷积神经网络和深度学习的历史 2.2. 卷积神经网络的设计和原理 2.3. 卷积神经网络的神经科学基础
CNN处理图像
卷积神经网络的计算效率提升，参数量：10^12 －＞ 10^6
卷积神经网络池化有最大池化(max_pool)和平均池化(avg_pool)，顾名 思义，最大池化取区域内最大值，平均池化取区域内平均值．其它池化包 括L 2 范数以及依靠据中心像素距离的加权平均池化．
ＣＮＮ池化过程
CNN 特性－池化
为什么要池化？
１．减少参数的量，提高计算效率． ２．最大池化能显著增强局部特征，平均池化可减少噪声．
深度学习以及卷积神经网络的适用需要大量的有效训练数据，过去的互联网时代为 深度学习提供了大量的训练数据，同时随着几十年来硬件技术的发展，为利用和计算 大量数据提供了条件．所以，近年来，每一次模型算法的更新，都取得了良好的效果， 为深度学习这把火炬增添了燃料．
卷积神经网络和深度学习的历史
卷积神经网络提供了一种方法来专业化神经网络，以处理具有清楚的网 络结构的数据，以及将这样的模型放大到非常大的尺寸(加深层数).这种方法 在二维图像拓扑上的应用是最成功的．同时，卷积神经网络比全连接网络计 算效率更高，使用他们运行多个实验并调整它们的实现和超参数更容易，更 大的网络也更容易训练．
CNN特性－权值共享和多卷积核
卷积神经网络之所以计算效率高，对特征提取的效果好，主要是由于卷 积神经网络具有以下三个特性：权值共享，多卷积核，池化．
权值共享
请在这里输入论文答辩
基于卷积神经网络的图像识别系统
基于卷积神经网络的图像识别系统随着人工智能技术不断发展，图像识别已成为人们广泛关注和发展的方向之一。
图像识别可以对图片进行自动分类、识别和分析，它涉及到许多方面，如计算机视觉、模式识别和深度学习等。
其中基于卷积神经网络的图像识别系统因其高效、准确和可靠而备受关注。
卷积神经网络是一种模仿人类视觉系统的神经网络模型，可以对复杂的图像进行处理。
在该神经网络中，每个神经元只与局部区域内的神经元相连，这种局部连接的方式能够逐层地提取出图像中的特征信息，在分析分类时提供有力的支持。
基于卷积神经网络的图像识别系统主要包含以下三个部分：图像预处理、特征提取和分类预测。
首先，对输入的图像进行预处理，包括图像的缩放、灰度化和归一化等。
缩放和灰度化可以将图像进行统一处理，避免了不同图像的大小和颜色的影响。
归一化则可使图像像素值的大小在0到1之间，便于网络训练。
然后，通过卷积层和池化层，实现从图像中提取特征。
卷积层使用一组可学习的卷积核对输入的图像做卷积运算，此操作可以快速找到图像中的特征，例如边缘、线条和角等。
池化层可以缩小特征图形的大小，减少计算复杂度，同时保留图像中的关键特征。
最后，使用全连接层对特征向量进行分类预测。
全连接层浓缩的图像特征向量所表示的是每一个样本在不同特征维度上的维度于强度的表现，从而将其作为分类器的输出，对图像进行正确的分类和预测。
基于卷积神经网络的图像识别系统已经在多个领域广泛应用，包括人脸识别、车辆识别和文字识别等。
它具有深度学习的优秀性质，能够通过大量训练样本对图像进行高效识别，提高人工智能的水平和应用价值。
因此，卷积神经网络的图像识别系统有着很高的研究价值和实际应用价值。
未来，随着人工智能技术的不断进步，这一系统将有更加广阔的应用前景。
卷积神经网络ppt课件
6. F6层有84个单元（之所以选这个数字的原因来自于输出层的设计），与C5层 全相连。有10164个可训练参数。如同经典神经网络，F6层计算输入向量 和权重向量之间的点积，再加上一个偏置。然后将其传递给sigmoid函数 产生节点的输出。
16
LetNet-5
比特面编码：将一个灰度图像为8 bit/像素中每个像素的第j个比特抽取出来，就得到一个称为比特平面的二值 图像，于是图像完全可以用一组共8个比特平面来表示，对灰度图像的编码转为对比特平面的二值化方块编码。 为此，将每个比特面分为不重叠的m×n个元素的子块。
23
池化层的误差传递
大部分池化层没有需要训练的参数，只需要将误差传递。以Max Pooling为 例
Layer l-1
Layer l
24
池化层的误差传递
5. C5层是一个卷积层，有120个特征图。每个单元与S4层的全部16个单元的5*5邻 域相连，故C5特征图的大小为1*1：这构成了S4和C5之间的全连接。之所以仍 将C5标示为卷积层而非全连接层，是因为如果LeNet-5的输入变大，而其他的 保持不变，那么此时特征图的维数就会比1*1大。C5层有48120个可训练连接。
17
卷积层的训练
layer l-1
L-1
层
？
的
误
差
L-1
层 的
输 出
layer l
L
层 的 误 差
L
层 的 输 入
18
卷积层的误差传播
19
卷积层的误差传播
20
卷积层的误差传播
卷积操作 21
卷积层filter权重梯度的计算
22
卷积层filter权重梯度的计算
16
LetNet-5
比特面编码：将一个灰度图像为8 bit/像素中每个像素的第j个比特抽取出来，就得到一个称为比特平面的二值 图像，于是图像完全可以用一组共8个比特平面来表示，对灰度图像的编码转为对比特平面的二值化方块编码。 为此，将每个比特面分为不重叠的m×n个元素的子块。
23
池化层的误差传递
大部分池化层没有需要训练的参数，只需要将误差传递。以Max Pooling为 例
Layer l-1
Layer l
24
池化层的误差传递
5. C5层是一个卷积层，有120个特征图。每个单元与S4层的全部16个单元的5*5邻 域相连，故C5特征图的大小为1*1：这构成了S4和C5之间的全连接。之所以仍 将C5标示为卷积层而非全连接层，是因为如果LeNet-5的输入变大，而其他的 保持不变，那么此时特征图的维数就会比1*1大。C5层有48120个可训练连接。
17
卷积层的训练
layer l-1
L-1
层
？
的
误
差
L-1
层 的
输 出
layer l
L
层 的 误 差
L
层 的 输 入
18
卷积层的误差传播
19
卷积层的误差传播
20
卷积层的误差传播
卷积操作 21
卷积层filter权重梯度的计算
22
卷积层filter权重梯度的计算
卷积神经网络在图像识别中的应用ppt课件
3. 对S2层的特征图进行卷积得到C3层；
4. 对C3层的特征图进行下采样得到S4层；
5. S4层的特征图光栅化后变成的向量输入到传统的全连接神经网络进行进一步分类，得到输
出；
ppt课件.
5
➢卷积和下采样（降采样）过程
input
*∑
∑ X∑
ppt课件.
6
➢ 卷积过程
11100
01110
101
00111
ppt课件.
12
➢ 程序中可设置的参数
learning_rate = 0.05 batch_size = 40 n_epochs = 100 nkerns = [20, 50]
poolsize = (2, 2)
//学习速率 //一次输入CNN的样本数 //最大训练步数 //第一层卷积核个数为20，
结构组织的用于转化图像的网络Neocognition.
3. 根据Fukushima的观点，LeCun提出了以LeNet为代表的卷积神
经网络。
ppt课件.
3
➢ 卷积神经网络的特点
1. 卷积神经网络是一类特别设计用来处理二维数据的多层神经 网络。
2. 卷积神经网络被认为是第一个真正成功的采用多层层次结构 网络的具有鲁棒性的深度学习方法。
否
是否符
合期望
是
输出结果
ppt课件.
9
Olivetti Faces是纽约大学的一个比较小的人脸库 包含40个人的人脸图片，每个人10张人脸样本，共400份样本
ppt课件.
10
➢ 程序所参考的卷积神经网络结构：LeNet-5
两个“卷积+子采样层”LeNetConvPoolLayer 全连接层相当于MLP（多层感知机）中的隐含层HiddenLayer 输出层采用逻辑回归LogisticRegression
CNN(卷积神经网络) ppt课件
Notes: 式1:
神经网络的结点计算
前向计算：
反向传播：
神经网络梯度传播(链式法则）
Notes:
目录
Contents
2. 卷积神经网络
2.1. 卷积神经网络和深度学习的历史 2.2. 卷积神经网络的设计和原理 2.3. 卷积神经网络的神经科学基础
卷积神经网络和深度学习的历史
卷积神经网络在深度学习的历史中发挥了重要作用．它们是将研究大脑获得的深 刻理解成功应用于机器学习应用的关键例子，也是第一个表现良好的深度模型之 一．是第一个解决重要商业应用的神经网络，并且仍然是当今深度学习应用的前沿．
目录
Contents
3. CNN实现(tensorflow)
3.1.主流CNN模型介绍 3.2.使用tensorflow实现CNN 3.3.使用tensorflow实现其它模型
使用tensorflow搭建CNN
TensorFlow™ 是一个采用数据流图，用于数值计算的开源软件库。节点 在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组， 即张量（tensor）。
深度学习以及卷积神经网络的适用需要大量的有效训练数据，过去的互联网时代为 深度学习提供了大量的训练数据，同时随着几十年来硬件技术的发展，为利用和计算 大量数据提供了条件．所以，近年来，每一次模型算法的更新，都取得了良好的效果， 为深度学习这把火炬增添了燃料．
卷积神经网络和深度学习的历史
卷积神经网络提供了一种方法来专业化神经网络，以处理具有清楚的网 络结构的数据，以及将这样的模型放大到非常大的尺寸(加深层数).这种方法 在二维图像拓扑上的应用是最成功的．同时，卷积神经网络比全连接网络计 算效率更高，使用他们运行多个实验并调整它们的实现和超参数更容易，更 大的网络也更容易训练．
神经网络的结点计算
前向计算：
反向传播：
神经网络梯度传播(链式法则）
Notes:
目录
Contents
2. 卷积神经网络
2.1. 卷积神经网络和深度学习的历史 2.2. 卷积神经网络的设计和原理 2.3. 卷积神经网络的神经科学基础
卷积神经网络和深度学习的历史
卷积神经网络在深度学习的历史中发挥了重要作用．它们是将研究大脑获得的深 刻理解成功应用于机器学习应用的关键例子，也是第一个表现良好的深度模型之 一．是第一个解决重要商业应用的神经网络，并且仍然是当今深度学习应用的前沿．
目录
Contents
3. CNN实现(tensorflow)
3.1.主流CNN模型介绍 3.2.使用tensorflow实现CNN 3.3.使用tensorflow实现其它模型
使用tensorflow搭建CNN
TensorFlow™ 是一个采用数据流图，用于数值计算的开源软件库。节点 在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组， 即张量（tensor）。
深度学习以及卷积神经网络的适用需要大量的有效训练数据，过去的互联网时代为 深度学习提供了大量的训练数据，同时随着几十年来硬件技术的发展，为利用和计算 大量数据提供了条件．所以，近年来，每一次模型算法的更新，都取得了良好的效果， 为深度学习这把火炬增添了燃料．
卷积神经网络和深度学习的历史
卷积神经网络提供了一种方法来专业化神经网络，以处理具有清楚的网 络结构的数据，以及将这样的模型放大到非常大的尺寸(加深层数).这种方法 在二维图像拓扑上的应用是最成功的．同时，卷积神经网络比全连接网络计 算效率更高，使用他们运行多个实验并调整它们的实现和超参数更容易，更 大的网络也更容易训练．
光电系统中基于卷积神经网络的图像识别
结论与展望
06
通过卷积神经网络，光电系统中的图像识别精度得到了显著提升，尤其在复杂背景和动态场景中表现优异。
图像识别精度提高
卷积神经网络加速了图像识别的速度，满足了实时处理的需求，为光电系统在实际应用中的快速响应提供了保障。
实时处理能力
卷积神经网络具有较强的泛化能力，经过训练后能够识别多种不同类别的图像，提高了光电系统的适应性。
预处理是图像识别前对图像进行必要的处理，以改善图像质量、去除噪声、增强特征等。
常见的预处理技术包括灰度化、滤波、边缘检测、直方图均衡化等，这些技术有助于提高图像识别的准确性和鲁棒性。
基于卷积神经网络的图像识别
04
01
图像分类是利用卷积神经网络对输入的图像进行分类的过程。
02
通过对图像特征的提取和分类器的训练，实现对图像的自动分类。
02
在全连接层中，每个输入节点与输出节点之间都建立了完整的连接，通过权重矩阵进行加权求和，得到输出结果。
01
损失函数用于衡量模型预测结果与真实值之间的差距，通过最小化损失函数来优化模型的参数。
ቤተ መጻሕፍቲ ባይዱ
02
常见的损失函数有均方误差、交叉熵等。
03
优化器用于根据损失函数的梯度信息更新模型的参数，常见的优化器有梯度下降、随机梯度下降、Adam等。
图像识别技术是指利用计算机算法对输入的图像进行分类和识别的技术。
常见的图像识别方法包括基于特征的方法和基于深度学习的方法。
基于特征的方法通过提取图像中的几何、纹理等特征进行分类，而基于深度学习的方法利用神经网络自动学习图像特征并进行分类。
卷积神经网络基础
02
卷积层是卷积神经网络的核心组成部分，主要负责从输入数据中提取特征。
卷积神经网络(纯净版)ppt课件
Convolutional Neural Networks 卷积神经网络
1
Contents
• 机器学习，神经网络，深度学习之间的关系 • 什么是神经网络 • 梯度下降算法 • 反向传播算法 • 神经网络的训练 • 什么是卷积 • 什么是池化 • LeNet-5 • 其它的工作
2
Convolutional Neural Networks
5
Convolutional Neural Networks
反向传播算法（Back Propagation）
• 反向传播算法是计算多层复合函数的所有变量的偏导数的利器，上面梯度下降的例子中就是求梯度， 简单的理解就是链式法则
根据链式法则，我们求e对a的偏导和e对d的偏导是如下所示:
可以看出，它们都求了e对c的偏导。对于权值动则数万的深度模型 中的神经网络，这样的冗余所导致的计算量是相当大的 BP算法则机智地避开了这种冗余，BP算法是反向(自上往下)来求偏 导的。
• 神经元：
,
• 每个连接都有一个权值
4
图1.一个全连接的神经网络
Convolutional Neural Networks
梯度下降算法
• 梯度下降算法是用来求函数最小值的算法 • 每次沿着梯度的反方向，即函数值下降最快的方向，去
修改值，就能走到函数的最小值附近（之所以是最小值 附近而不是最小值那个点，是因为我们每次移动的步长 不会那么恰到好处，有可能最后一次迭代走远了越过了 最小值那个点）
什么是卷积？
右图展示了卷积的过程，和信号处理的卷积有所区别 卷积降低了网络模型的复杂度（对于很难学习的深层 结构来说，这是非常重要的），减少了权值的数量 黄色部分是卷积核
11
Convolutional Neural Networks
1
Contents
• 机器学习，神经网络，深度学习之间的关系 • 什么是神经网络 • 梯度下降算法 • 反向传播算法 • 神经网络的训练 • 什么是卷积 • 什么是池化 • LeNet-5 • 其它的工作
2
Convolutional Neural Networks
5
Convolutional Neural Networks
反向传播算法（Back Propagation）
• 反向传播算法是计算多层复合函数的所有变量的偏导数的利器，上面梯度下降的例子中就是求梯度， 简单的理解就是链式法则
根据链式法则，我们求e对a的偏导和e对d的偏导是如下所示:
可以看出，它们都求了e对c的偏导。对于权值动则数万的深度模型 中的神经网络，这样的冗余所导致的计算量是相当大的 BP算法则机智地避开了这种冗余，BP算法是反向(自上往下)来求偏 导的。
• 神经元：
,
• 每个连接都有一个权值
4
图1.一个全连接的神经网络
Convolutional Neural Networks
梯度下降算法
• 梯度下降算法是用来求函数最小值的算法 • 每次沿着梯度的反方向，即函数值下降最快的方向，去
修改值，就能走到函数的最小值附近（之所以是最小值 附近而不是最小值那个点，是因为我们每次移动的步长 不会那么恰到好处，有可能最后一次迭代走远了越过了 最小值那个点）
什么是卷积？
右图展示了卷积的过程，和信号处理的卷积有所区别 卷积降低了网络模型的复杂度（对于很难学习的深层 结构来说，这是非常重要的），减少了权值的数量 黄色部分是卷积核
11
Convolutional Neural Networks
光电系统中基于卷积神经网络的图像识别
传统的图像识别方法在复杂背景、噪声干扰等情况下识别效果不佳，而基于卷积 神经网络的图像识别技术具有自适应性和鲁棒性，能够有效地提高图像识别精度 和效率。
研究现状与发展
01
卷积神经网络在图像识别领域已 经取得了显著的成果，广泛应用 于人脸识别、物体检测、场景分 类等。
02
目前，基于卷积神经网络的图像 识别技术已经在光电系统中得到 了初步应用，并取得了较好的效 果。
研究内容与方法
研究内容
本文旨在研究光电系统中基于卷积神经网络的图像识别方法，以提高光电系统的图像识别精度和效率 。
研究方法
首先，对卷积神经网络的基本原理和常用模型进行介绍；其次，针对光电系统的特点，设计适合光电 系统的卷积神经网络模型；再次，通过实验验证所提方法的有效性和优越性；最后，对所提方法进行 总结和展望。
03
特征提取：卷积神经网络能够自动提取图像的特征 ，减轻人工特征提取的负担。
04
强大的泛化能力：卷积神经网络能够从少量的数据 中学习到复杂的模式，并具有强大的泛化能力。
卷积神经网络的训练方法
前向传播
将输入数据通过卷积神经网络得到输 出结果。
反向传播
使用优化器如梯度下降法来最小化损 失函数，从而训练出最优的卷积神经 网络模型。
图像处理
采集到的图像需要进行一系列的处理，包括灰度化、二值化、去噪、分割等操 作，以突出图像的特征，便于后续的识别和处理。
基于卷积神经网络的图像识别算法设计
01
卷积神经网络（CNN）设计
针对光电系统中的图像识别任务，需要设计一个适合的卷积神经网络模
型。该模型应具备较好的泛化性能，能够准确识别不同条件下的图像。
其次，该方法的可解释性相对较 弱，难以解释模型做出决策的原 因。
研究现状与发展
01
卷积神经网络在图像识别领域已 经取得了显著的成果，广泛应用 于人脸识别、物体检测、场景分 类等。
02
目前，基于卷积神经网络的图像 识别技术已经在光电系统中得到 了初步应用，并取得了较好的效 果。
研究内容与方法
研究内容
本文旨在研究光电系统中基于卷积神经网络的图像识别方法，以提高光电系统的图像识别精度和效率 。
研究方法
首先，对卷积神经网络的基本原理和常用模型进行介绍；其次，针对光电系统的特点，设计适合光电 系统的卷积神经网络模型；再次，通过实验验证所提方法的有效性和优越性；最后，对所提方法进行 总结和展望。
03
特征提取：卷积神经网络能够自动提取图像的特征 ，减轻人工特征提取的负担。
04
强大的泛化能力：卷积神经网络能够从少量的数据 中学习到复杂的模式，并具有强大的泛化能力。
卷积神经网络的训练方法
前向传播
将输入数据通过卷积神经网络得到输 出结果。
反向传播
使用优化器如梯度下降法来最小化损 失函数，从而训练出最优的卷积神经 网络模型。
图像处理
采集到的图像需要进行一系列的处理，包括灰度化、二值化、去噪、分割等操 作，以突出图像的特征，便于后续的识别和处理。
基于卷积神经网络的图像识别算法设计
01
卷积神经网络（CNN）设计
针对光电系统中的图像识别任务，需要设计一个适合的卷积神经网络模
型。该模型应具备较好的泛化性能，能够准确识别不同条件下的图像。
其次，该方法的可解释性相对较 弱，难以解释模型做出决策的原 因。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ppt课件.4卷积神经络我们假设对一张32*32的彩色图片，有三个通道，所以用一个32*32*3的矩阵
就能表示这样的图片，然后对该图片进行均匀分割，分割成了6*6=36张小图
片，将每个独立的小图片输入神经网络，对个通道做同样的操作，最终形成
特征向量。为了保证图像局部的特征，并过滤掉那些距离较远的无关特征，
cnn.py
创建数据集 训练集数据文件 测试集数据文件
正向传播 反向传播 卷积神经网络实现与测试
ppt课件.
9
构建卷积神经网络
输入
实验所用的数据是32*32的三通道彩色图像，为了平衡算法性能和稳定性， 设置了如图所示结构的卷积神经网络，较小的卷积核可以保证算法的效 率，同时较深的结构又保证了算法能够有效地抽象出图像的特征
K最近邻算法（KNN）是无监督的学习方法，无需预先进行标注，不需 要确定样本的类别，甚至无需知道所获得的数据可以分为几类。对于类 域有交叉或者重叠的分类任务更适合。
卷积神经网络（CNN）是一种多层感知机，对于图像来说，相邻像素的 相似度一般来说高于相隔很远的两个像素，卷积神经网络结构上的优越性， 使得它可以更关注相邻像素的关系，而对相隔一定距离的像素之间的连接 进行了限制。所以，卷积神经网络的这种结构，符合图像处理的要求，也 使卷积神经网络在处理图像分类问题上有天然的优越性
ppt课件.
6
卷积神经网络图像分类基本流程
ppt课件.
7
实验环境
操作系统 处理器 内存
Python版本 Anaconda版本 深度学习框架
Windows 10 64位操作系统 Intel i5 CPU
6GB DDR3 1600 Python 3.5.2
Anaconda 4.2.0 TensorFlow
基于卷积神经网络的图像识别算法
指导老师：---汇 报 人：----
ppt课件.
1
图像分类概述 卷积神经网络原理 图像分类算法设计与实现
ppt课件.
2
图像分类目标
图像分类就是根据不同图像的特征，把图像按照内容的不同分成不同类别
Cat
Or Non-Cat ？
ppt课件.
3
方法选择
支持向量机（SVM）是比较经典的用于分类的机器学习方法，即使在样本 数量很少的情况下，也能得到相对好的结果，并且，由于最终分类器分类 超平面的确定，只与有限的几个“支持向量”有关，训练速度比较快。
ppt课件.
8
数据来源及文件组织
训练集 测试集1 测试集2
CIFAR-10 CIFAR-10 互联网随机图片
8000 2000 100
create_dataset train_catvnoncat.h5 test_catvnoncat.h5 nnn_app_utils_v2.py dnn_app_utils_v2_back.py
ppt课件.
10
构建卷积神经网络
输入
每个卷积层之后都有一个ReLU层，最终总体的CNN网络结构，由一个输 入层和两个图上的结构，一个全连接层和一个Softmax层和输出层组成
ppt课件.
11
实验结果
测试集来源 CIFAR-10 多源随机下载图片
测试集样本数 2000 100
准确率 89% 73%
ppt课件.
12
请各位老师批评指正
ppt课件.
13
此课件下载可自行编辑修改，供参考！ 感谢您的支持，我们努力做得更好！
采用了权值共享的策略。所谓权值共享，就是指在图片同一位置的权重是相
同的，这样做不仅仅是出于减少参数个数的考虑，还结合了图像本身的特
点——相邻像素间的相关关系总是大于相隔较远像素之间的关系
ppt课件.
5
卷积神经网络
下采样相当于特征的降维，在降维的同时保证了一定程度的尺度不变特性。 即使经过了一定的平移和变换，对应的下采样特征可能还是相同的。下采样 保留了最重要的特征，丢弃了相对不重要的特征，不仅减少了参数的数量， 还减少了过拟合的风险。