基于深度迁移学习的图像分类研究
基于深度学习的像分类算法实验报告
基于深度学习的像分类算法实验报告基于深度学习的图像分类算法实验报告一、实验背景随着信息技术的飞速发展，图像数据呈爆炸式增长，如何快速准确地对图像进行分类成为了一个重要的研究课题。
深度学习作为一种强大的机器学习技术，在图像分类任务中取得了显著的成果。
本实验旨在探索基于深度学习的图像分类算法的性能，并对实验结果进行分析和总结。
二、实验目的1、熟悉深度学习框架和相关技术，掌握图像分类算法的基本原理和实现方法。
2、比较不同深度学习模型在图像分类任务中的性能，包括准确率、召回率、F1 值等指标。
3、分析影响图像分类算法性能的因素，如数据预处理、模型架构、超参数设置等。
4、通过实验结果，提出改进图像分类算法性能的方法和建议。
三、实验环境1、硬件环境：＿____CPU：＿____GPU：＿____内存：＿____2、软件环境：操作系统：＿____深度学习框架：＿____编程语言：＿____四、数据准备1、数据集选择本实验选择了常用的图像分类数据集_____，该数据集包含了_____个类别，每个类别有_____张图像。
数据集的特点：图像质量_____、类别分布_____、图像大小_____等。
2、数据预处理数据清洗：去除噪声、异常值和重复数据。
图像增强：采用随机旋转、裁剪、翻转等操作增加数据的多样性。
数据归一化：将图像像素值归一化到0, 1区间。
五、模型选择与实现1、模型选择本实验选择了以下几种深度学习模型进行比较：卷积神经网络（CNN）：＿____深度残差网络（ResNet）：＿____视觉Transformer（ViT）：＿____2、模型实现使用所选的深度学习框架搭建模型结构，并定义损失函数和优化器。
对于每个模型，设置不同的超参数，如卷积核大小、层数、学习率等，进行对比实验。
六、实验过程1、训练过程将预处理后的数据集按照一定比例划分为训练集、验证集和测试集。
使用训练集对模型进行训练，记录训练过程中的损失值和准确率。
基于深度学习的图像风格迁移技术研究
基于深度学习的图像风格迁移技术研究深度学习技术的快速发展为图像处理领域带来了巨大的突破。
图像风格迁移作为一种重要的图像处理技术，旨在将一幅图像的风格特征迁移到另一幅图像上，从而创造出独特而富有艺术感的新作品。
本文将重点研究基于深度学习的图像风格迁移技术，探讨其原理、方法以及应用领域。
首先，本文将介绍深度学习在图像处理领域中的应用。
深度学习是一种基于神经网络结构的机器学习方法，其强大的特征提取和表示能力使得其在图像处理中得到广泛应用。
通过深度学习算法对大量数据进行训练和优化，可以提取出高层次、抽象化的特征表示，并能够对输入数据进行高效而准确地分类和识别。
接下来，本文将详细介绍基于深度学习的图像风格迁移技术原理及相关方法。
基于深度神经网络结构中卷积神经网络（CNN）和生成对抗网络（GAN）等算法模型，在不同层次上提取图像的内容特征和风格特征，并通过优化算法将两者进行融合，从而实现图像风格的迁移。
本文将详细介绍CNN和GAN的原理，并结合具体的图像风格迁移算法，分析其优点、局限性和改进方向。
然后，本文将探讨基于深度学习的图像风格迁移技术在实际应用中的挑战与解决方案。
现有的基于深度学习的图像风格迁移技术在处理大规模图像数据时存在计算复杂度高、运行速度慢等问题。
为了解决这些问题，研究者提出了一系列优化方法，如使用预训练模型、引入局部感知等技术手段。
本文将详细介绍这些方法，并分析其对提高算法性能和效率方面所起到的作用。
最后，本文将探讨基于深度学习的图像风格迁移技术在艺术创作、娱乐产业等领域中的应用前景。
随着深度学习技术在计算机视觉领域中取得突破性进展，基于深度学习的图像风格迁移技术已经逐渐成为创作和娱乐领域的热门技术。
本文将介绍一些典型的应用案例，如电影特效、游戏设计、艺术创作等，并分析其对相关产业的影响和推动作用。
综上所述，基于深度学习的图像风格迁移技术在图像处理领域具有重要意义。
本文通过对其原理、方法和应用领域的深入研究，为读者提供了一个全面了解该技术的视角。
基于深度学习的图像风格迁移技术研究
基于深度学习的图像风格迁移技术研究第一章引言1.1 研究背景随着计算机视觉和深度学习的快速发展，图像处理领域也取得了显著的进展。
图像风格迁移技术作为其中的热门研究方向之一，旨在将一副图像的特定风格应用到另一副图像上。
这种技术可以给人们带来很多有趣的应用，如将著名画作的风格应用到普通照片上，生成艺术化的图像等。
1.2 研究目的和意义深度学习在图像风格迁移领域的应用已经取得了令人瞩目的成就，比如使用卷积神经网络（CNN）进行图像的风格迁移。
然而，现有的方法仍然存在一些问题，如风格迁移的速度较慢，风格迁移结果存在一定的模糊和失真等。
因此，本研究旨在探索改进现有方法，提高图像风格迁移的质量和效率。
第二章相关技术介绍2.1 卷积神经网络介绍卷积神经网络（CNN）是深度学习中应用最广泛的网络结构之一。
它模拟了人类视觉系统的工作原理，能够自动从数据中学习特征表示。
CNN 通过多层卷积和池化操作提取图像的空间特征，并使用全连接层进行分类和预测任务。
2.2 图像风格迁移技术概述图像风格迁移技术是一种将一副图像的风格转换到另一副图像上的方法。
最早的方法是基于优化的方法，如基于纹理合成和图像分解的方法。
这些方法需要手动调整参数，并且速度较慢。
随着深度学习的兴起，基于深度学习的图像风格迁移方法逐渐成为主流，如Gatys等人提出的基于卷积神经网络的方法。
2.3 相关研究综述目前，深度学习在图像风格迁移领域已经取得了很多重要的成果。
Gatys等人提出了一种基于卷积神经网络的图像风格迁移方法，通过最小化输入图像和目标图像的风格差异和内容差异来实现风格迁移。
之后，一系列的改进方法相继提出，如使用多尺度特征表示、引入语义信息等。
第三章方法与实验设计3.1 提出的改进方法介绍本研究提出了一种改进的图像风格迁移方法，旨在提高风格迁移的质量和效率。
具体而言，我们通过引入自适应实例归一化（AdaIN）和残差块结构来改进现有方法。
AdaIN能够在样式转换中同时考虑内容和样式信息，而残差块结构能够减少信息的损失，保留更多的图像细节。
基于迁移学习的图像识别方法研究
基于迁移学习的图像识别方法研究迁移学习是指通过将在一个任务中学到的知识应用到另一个任务中去，以提升另一个任务的学习性能。
在图像识别领域，迁移学习被广泛应用于解决数据稀缺、数据标注成本高昂等问题。
本文将对基于迁移学习的图像识别方法进行研究，并探讨其优势和挑战。
首先，我们将介绍几种常见的迁移学习方法。
一种常用的方法是使用已经在大规模数据集上训练好的卷积神经网络（CNN）作为特征提取器，然后在目标任务上利用这些提取到的特征进行分类。
这种方法的优点是可以利用大规模数据集上的丰富信息，从而提高目标任务的性能。
另一种方法是使用预训练的模型，将其作为初始模型，然后通过微调（fine-tuning）来调整模型参数。
这种方法可以快速适应新任务的特点，提高模型的泛化能力。
同时，还有基于领域适应的迁移学习方法，通过学习领域相关的特征来提高目标任务的性能。
其次，我们将讨论迁移学习在图像识别中的应用场景。
首先是针对小样本学习的问题。
在实际应用中，由于数据获取的成本和困难，往往只能获得少量标注样本。
迁移学习可以通过利用大规模数据集上已经学到的知识，来帮助小样本学习任务。
其次是针对多标签学习的问题。
传统的多标签学习方法往往需要大量标注样本，而迁移学习可以通过利用其他相关任务上的已有知识，来减少多标签学习所需的样本数量。
此外，迁移学习还可以应用于目标检测、图像分割等图像识别任务中，通过将已有任务的知识迁移到新的任务中，提高模型在新任务上的表现。
接下来，我们将讨论基于迁移学习的图像识别方法的优势。
首先是模型的泛化能力。
迁移学习可以通过在源领域学习到的知识，将这些知识迁移到目标领域中，从而提高目标任务的泛化能力。
其次是模型的速度和效率。
通过使用预训练的模型或已经学到的特征，可以节省模型训练的时间和计算资源。
此外，迁移学习还可以解决数据稀疏和标注成本高昂的问题，通过利用已有任务的信息来增强目标任务的学习能力。
然而，基于迁移学习的图像识别方法也面临一些挑战。
基于深度学习算法的图像识别与分类研究
全连接层用于将卷积层和池化层提取的特征进行 整合，输出最终的分类结果。
深度神经网络
多层感知器
多层感知器是一种深度神经网络，通过堆叠多个神经元 层来提取和传递信息。
深度信念网络
深度信念网络是一种无监督学习的深度神经网络，通过 训练生成模型来学习数据的潜在表示。
优化算法
梯度下降法
反向传播算法
结果分析
准确率评估
使用测试集对训练好的模型进行评估，计算分类准确 率、混淆矩阵等指标。
性能对比
将所提模型与经典模型进行对比，分析所提模型的性 能优势和不足。
可视化分析
对模型的特征进行可视化，了解模型对图像特征的提 取和分类决策过程。
06
结论与展望
研究成果总结
深度学习算法在图像识别与分类领域 取得了显著成果，提高了分类准确率
和识别精度。
迁移学习、数据增强和混合模型等方 法进一步提升了图像识别的性能，为
实际应用提供了有力支持。
卷积神经网络（CNN）是处理图像识 别问题的主流深度学习算法，具有强 大的特征提取和分类能力。
深度学习算法在人脸识别、目标检测 、语义分割等领域取得了广泛应用， 为相关行业带来了巨大的商业价值。
未来研究方向
激活函数用于引入非线性特性，使神经网络能够 更好地学习和模拟复杂的数据模式。
03 权重和偏置
权重用于调节输入信号的强度，偏置则用于调整 神经元的激活阈值。
卷积神经网络
01 卷积层
卷积层是卷积神经网络的核心，通过卷积运算对 输入图像进行特征提取。
02 池化层
池化层用于降低数据的维度，减少计算量和过拟 合的风险。
根据研究目的和数据集特点，选择合适的深度学 习模型，如卷积神经网络（CNN）、残差网络 （ResNet）、迁移学习等。
基于迁移学习的图像分类与识别技术研究
基于迁移学习的图像分类与识别技术研究随着计算机技术的飞速发展，人工智能得以快速发展。
其中图像分类和识别技术是人工智能领域的重要研究方向。
通过电脑对人类视觉世界的模拟，图像分类和识别技术已经被广泛应用于人脸识别、安防监控、智能医疗和自动驾驶等领域。
本文将着重介绍基于迁移学习的图像分类与识别技术研究。
一、迁移学习的概念迁移学习指在模型已有的知识基础下，将其迁移到不同领域或任务的过程。
在传统的机器学习中，每个模型都需要针对不同的任务进行重新学习。
而在迁移学习中，模型的知识可以被共享，让不同的任务共同学习，大大提高了模型的效率和准确性。
二、基于深度学习的图像分类和识别技术深度学习在图像处理领域的应用非常广泛，其中卷积神经网络（CNN）被广泛应用于图像分类和识别中。
CNN是一种前馈神经网络，其特殊之处在于它们在处理图像等多维数据时具有很好的表达能力。
在CNN中，每个卷积层可看作是一组卷积滤波器，通过学习不同的卷积核，网络可以提取出不同的特征来。
在卷积神经网络的训练过程中，通过逐层的卷积和无线池化等操作，网络逐渐将原始的像素转化为高层语义特征，并通过全连接层将其映射为类别信息，实现图像分类的目标。
三、迁移学习优化图像分类和识别任务在图像分类和识别任务中，往往需要大量标记的训练数据才能提高识别准确性。
然而在实际应用中，获取大量标记训练数据非常困难且耗时费力。
因此，许多学者将迁移学习引入到图像分类和识别任务中，从而降低样本需求，加速训练过程，并提高分类准确度。
通过迁移学习，可以将已有的训练好的模型迁移到新的分类任务中，并通过微调原模型参数来适应新的数据分布，从而得到新的分类模型。
同时，在微调模型参数时，可以选择冻结部分层权重，只对部分神经层进行调整，结果展示了可以在不额外标记新数据的情况下，大大提高训练模型的口感，获得比较好的分类结果。
四、迁移学习的局限性和应用前景虽然迁移学习在图像分类和识别任务中有显著的优势，但其也存在一定的局限性。
基于迁移学习的图像分类算法研究
基于迁移学习的图像分类算法研究随着机器学习和人工智能的快速发展，图像分类成为了计算机视觉领域的一个重要任务。
然而，由于图像数据的复杂性和多样性，传统的图像分类算法往往在处理大规模、高维度的图像数据时遇到了很大的困难。
为了解决这一问题，研究者们提出了一种基于迁移学习的图像分类算法，通过利用已有的知识来提高分类器在新领域中的性能。
迁移学习是一种通过将在一个领域学习到的知识和经验应用于另一个相关领域的机器学习方法。
在图像分类任务中，我们可以将已经在一个大规模的标准图像数据集上训练好的分类器，应用于新的目标领域，以提升分类性能。
这主要基于一个假设：源领域和目标领域的数据之间存在一定的相似性或相关性。
基于迁移学习的图像分类算法通常包括以下几个关键步骤：1. 挑选源领域和目标领域：首先，我们需要选择一个具有大规模标注的源领域数据集和一个在目标领域上进行分类的数据集。
通常情况下，源领域和目标领域之间应该有一定程度的相似性，以保证迁移学习的有效性。
2. 在源领域上训练分类器：接下来，我们使用源领域的标注数据，在其上训练一个分类器。
这个分类器可以是传统的机器学习算法，如支持向量机（SVM）或决策树，也可以是深度学习算法，如卷积神经网络（CNN）。
3. 特征提取和映射：在源领域上训练好分类器后，我们需要将图像数据的特征提取出来并映射到低维空间中。
这可以通过卷积神经网络的中间层输出进行实现，即利用预训练的CNN模型提取图像的特征向量。
4. 领域适应方法：在映射到低维空间后，我们需要通过一些领域适应方法来进一步将源领域的特征映射到目标领域中。
这些方法包括领域自适应方法、迁移学习方法和对抗性训练方法等，可以有效地减小源领域和目标领域之间的分布差异。
5. 在目标领域上微调和测试：最后，我们使用目标领域的数据来微调之前训练好的分类器，并在目标领域上进行测试。
微调的过程主要是通过在目标领域上进行有监督的训练来调整分类器的权重，以使其在目标领域上能够更好地分类。
基于深度迁移学习的图像分类研究
基于深度迁移学习的图像分类研究Luan Qinglei【摘要】提出一种基于受限玻尔兹曼机和卷积神经网络混合模型的迁移学习图像分类方法,该方法由其它两种模型特征的学习能力融合而来,把图像结构性高阶统计特征提取出来,进行主题分类.算法实现过程为首先使用受限玻尔兹曼机替代卷积神经网络模型中的全连接层,并针对卷积神经网络型的小目标集形成新的功能结构,以目标集为载体,对受限波尔兹曼机层和Soft max层进行重新训练;其次该过程中采用BP算法对相关参数予以调整,受限玻尔兹曼机层关联maps的同时,还从最大对数似然的角度完成目标集统计特征的学习,有效地防止了数据集差异条件对迁移学习特征的负面影响,保证了数据学习的合理性.研究表明,该方法分类准确率高,适用性强.【期刊名称】《黄山学院学报》【年(卷),期】2019(021)003【总页数】5页(P11-15)【关键词】图像分类;深度学习;混合模型;受限玻尔兹曼机;卷积神经网络【作者】Luan Qinglei【作者单位】【正文语种】中文【中图分类】TP391.411引言深度学习模式下的混合模型迁移图像分类算法，相较于以往单一的手工图像识别方法，其具备自动学习特征,但该算法所需时间比较长，模型中涉及到的数据量相对较大。
最新研究成果对卷积神经网络表现出的实际特征进行反卷积处理，将与之一一对应的输入刺激进行重新组织构建，在模型的支撑下，完成分析重构，对图片中刺激网络产生情况及特征进行探究，给出了具体的模型优化方法。
将受限玻尔兹曼机模型与卷积神经网络结合，对图像进行分类，准确率高，适应性强。
2 图像分类和卷积神经网络概念2.1 图像分类图像分类即借助计算机网络对图像进行自动分类，使其从属于各语义类别，在医疗、监控和信息检索等方面均得到了应用。
目前图像分类研究热点主要包含两个方面：（1）分类算法[1]研究成果有神经网络、决策树等，可以借助支持向量机使分类结果更加准确；（2）特征提取算法，采用SIFT方法、SURF方法、SPM模型等加强图像特征识别。
- 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)。
2019年6月Jun.20191引言深度学习模式下的混合模型迁移图像分类算法，相较于以往单一的手工图像识别方法，其具备自动学习特征,但该算法所需时间比较长，模型中涉及到的数据量相对较大。
最新研究成果对卷积神经网络表现出的实际特征进行反卷积处理，将与之一一对应的输入刺激进行重新组织构建，在模型的支撑下，完成分析重构，对图片中刺激网络产生情况及特征进行探究，给出了具体的模型优化方法。
将受限玻尔兹曼机模型与卷积神经网络结合，对图像进行分类，准确率高，适应性强。
2图像分类和卷积神经网络概念2.1图像分类图像分类即借助计算机网络对图像进行自动分类，使其从属于各语义类别，在医疗、监控和信息检索等方面均得到了应用。
目前图像分类研究热点主要包含两个方面：（1）分类算法[1]研究成果有神经网络、决策树等，可以借助支持向量机使分类结果更加准确；（2）特征提取算法，采用SIFT方法、SURF方法、SPM 模型等加强图像特征识别。
但上述方法在图像特征提取时仅能获得底层特征，无法获得高级语义。
因此亟需探究全新的深度学习算法。
2.2卷积神经网络卷积神经网络应用原理为借助图像逐层抽取，获取结构化特征，用于对单幅图像高级语义进行表示。
层级越高，模型特征越抽象，更能够对图像主题进行展示，很大程度上提高了分类过程中的识别能力[2]。
受限玻尔兹曼机具有很强的无监督特征学习能力，能够从最大化对数似然的角度，学习输入数据规律，构建图像高级识别能力统计特征。
卷积神经网络对图像各层抽象时，每层都包含很多数字滤波器，以此为载体，把输入数据的典型特点作为提取对象，得出结构特征的同时，还要使其与图像高级语义相符合。
应用卷积神经网络进行图像识别，需要完成相基于深度迁移学习的图像分类研究栾庆磊（安徽建筑大学机械与电气工程学院，安徽合肥230601）摘要:提出一种基于受限玻尔兹曼机和卷积神经网络混合模型的迁移学习图像分类方法,该方法由其它两种模型特征的学习能力融合而来,把图像结构性高阶统计特征提取出来,进行主题分类。
算法实现过程为首先使用受限玻尔兹曼机替代卷积神经网络模型中的全连接层,并针对卷积神经网络型的小目标集形成新的功能结构,以目标集为载体,对受限波尔兹曼机层和Soft max层进行重新训练;其次该过程中采用BP 算法对相关参数予以调整,受限玻尔兹曼机层关联maps的同时,还从最大对数似然的角度完成目标集统计特征的学习,有效地防止了数据集差异条件对迁移学习特征的负面影响,保证了数据学习的合理性。
研究表明,该方法分类准确率高,适用性强。
关键词:图像分类;深度学习;混合模型;受限玻尔兹曼机;卷积神经网络中图分类号:TP391.41文献标识码:A文章编号:1672-447X(2019)03-0011-05收稿日期:2019-02-28基金项目：安徽省高校优秀青年人才支持计划项目(gxyqZD2018058)作者简介:栾庆磊(1979-),安徽界首人,硕士,安徽建筑大学机械与电气工程学院,讲师,研究方向为机器视觉与图像处理。
化，以保证模型拥有较高水平的特征学习能力。
卷积神经网络模型训练过程中，涉及到的参数有上百万个，标记样本需求量大，而在小样本集上往往对预训练模型特征提取进行直接应用[3]。
3理论基础基于卷积神经网络模型迁移学习，数据集之间存在内容差异，致使提取特征识别力受到影响。
可以采取如下方法：CNN网络模型达到目标集时，使用受限波尔兹曼机来替代传统的卷积神经网络模型，对全连接的各种特征maps进行全方位组合，使之以整体结构性特征形式存在。
实际在特征提取过程中，需要对maps进行输入，加强目标集统计特征学习，达到提取图像结构性高阶特性的目的，使图像分类更加准确[4]。
如图1所示是基于受限玻尔兹曼机和卷积神经网络混合模型迁移学习的结构图。
图1RBM和CNN模型迁移学习结构示意图在大数据集上，对卷积神经网络模型进行预训练，借助该种方式，使各卷积层和全连接层参数更加直观，继而把这一模型迁移至小目标集，通过各层参数将图像卷积层特点maps提取出来，通过串联，生成单个特征map。
完成上述工作之后，把RBM 模型和输入特征map连接起来，对R6和R7层参数进行无监督学习，同时借助BP算法，对Soft max 回归、R6和R7层参数作出监督微调。
由此才能在此项技术基础上，形成已训练混合模型分类器结构。
最终，发挥这一混合模型优势，采用正确的方式，科学计算目标集中的待分类图像类别[5]。
4混合模型迁移学习实现将预训练卷积神经网络模型迁移至其它数据集，并对目标集特点进行重新学习。
本次研究中提做出迁移处理，使其在目标集系统中有所体现，并与受限玻尔兹曼机模型进行融合，在添加高阶统计特征的基础上，对数据集之间的差异进行控制，避免其影响目标集特征识别能力。
4.1预训练中的卷积神经网络模型迁移学习需要依靠大量的数据集作为载体，完成卷积神经网络模型的预训练。
该模型构成结构中，卷积层与全连接层是其功能展示的基础。
其中，Soft max分类器包含在全连接层内。
卷积神经网络模型训练中，正向传播和反向调参这两个环节，是构成整体流程的基础。
假定网络处理中，K类训练样本的设定个数为m。
由此，单个输入样本则可表示为（x（i）,y（i））指代n维输入向量，而x（i）和y（i）表示该样本中已经被标记的所属类别[6]。
以数字1表示当前层，该层的输入特征向量可用x l-1来表示，同样输出特征向量可用x l表示，此外结构中的某一滑动卷积滤波器权值与偏置可分别表示为w l和b l。
各层输入特征如下：x l=f（u l），u l=w l x l-1+b l（1）通常情况下，f（·）为sigmoid函数。
样本集{（x（1），y（1）），…，（x（m），y（m））}中样本数量为m个，卷积神经网络模型整体代价函数为：J（w，b）=1m m i=1∑（12||h w，b（x（i））-y（i）||2）+λ2n l-1l=1∑s l i=1∑n l+1j=1∑（w（l）ji）2（2）上式λ指权重衰减参数；n l为网络总层数；S l为网络l层节点数量。
实现批量梯度下降，来对具体的应用参数进行调整，控制整体代价函数的阈值。
各层参数w（l）ij和b（l）i更新如下：w（l）ij=w（l）ij-αəəw（l）ji jJ（w，b）b（l）i=b（l）i-αəəb（l）jiJ（w，b）（3）（3）式中，α指代学习速率。
通过对各层残差进行计算，对代价函数的偏导展开运算分析。
代价误差达到最小时，便能够得出卷积神经网络模型，并保证该模型的预训练质量[7]。
FC8是卷积神经网络模型中位于最末的全连接层，其实质是Soft max回归分类器中的一种，相应的标签可以借助多值向量来展现。
将x输入到已知测试中，借助已经完成训练的soft max分类器程序，估计当x对应不同分类结果时的FC6FC8FC7C1C2C3C4C5SoftmaxR6R7Softmax 卷积层RBM将卷积神经网络模型应用到本次研究中，这一模型卷积层和全连接层数量分别为5个和3个，即C1-C5和FC6-FC8，它的主要用途是对RGB图像进行处理，规格通常为224×224。
在卷积层C1使用96个11×11×3的卷积核来滑动处理224×224×3型号的输入图像，将滑动步长设定为4像素。
同时在C2层中，一共使用256个5×5×96的卷积核，来匹配从C1系统中输出的96个特征maps，完成整个分析过程。
另外，在C3-C5的卷积核中，相应的使用数量以及规格情况为：384个3×3×256；384个3×3×384；256个3×3×384，每个连接层FC6-FC8的神经元数量分别为4096、4096、1000。
将非饱和线性函数f（x）=max（0，x）作为全部层激活函数，对于获得的特征maps数据，在C1与C2层都会进行最大池化处理以及标准化处理，而C5层中仅需进行最大池化处理，其它层级无需进行相应处理[8]。
4.2模型迁移学习在小目标集上迁移预训练卷积神经网络模型，再次对受限玻尔兹曼机和卷积神经网络混合模型进行训练，同时借助BP算法，对受限玻尔兹曼机和Soft max分类器层参数进行微调。
再次训练混合模型过程中，将预训练卷积神经网络模型上的全连接层去掉，使其以受限玻尔兹曼机R6-R7和新Soft max层形式存在，并在Soft max分类器上输出层提取特征。
充分借助受限玻尔兹曼机层全连接特征优势，科学组合卷积层激活的各类型特征。
该实验通过串联每一幅训练图像在C5卷积层输出的256个6×6特征maps，使其以map形式输出。
受限玻尔兹曼机模型R6可视层和隐层节点数量分别为1536×6和5000个。
R7层隐节点数量则为10000个。
将训练集假定为K类，那么Soft max层特征向量的输入情况为10000维，输出情况为K维[9]。
4.2.1重训练受限玻尔兹曼机模型的分析在模型迁移当中的受限玻尔兹曼机层，具备鲜明的全连接特点。
能够从输入maps中对目标集统计学习。
在双层网络模型结构中，若重构可视层v1与原可视层v并无太大差别，其得出的隐藏层h便具备高识别力统计特点。
将全部可见单元和隐单元都假定为二值单元。
假使某受限玻尔兹曼机可见单元和隐单元数量分别为n和m，能够得出定义该系统所需能量。
如果受限玻尔兹曼机模型参数确定，P（h j=1|v，θ）=σ（b j+i∑v i W ij）（4）P（v j=1|h，θ）=σ（αi+j∑W ij h j）（5）其中，σ（·）为sigmoid函数。
受限玻尔兹曼机模型训练本质为最大对数似然下的参数估计，即模型能量最小化。
该模型并非深度学习模型，而是以各类深度学习模型基础功能模块形式存在。
本次研究中，采用两层受限玻尔兹曼机逐层进行无监督特征学习，对输入数据高阶统计特征加以明确[10]。
4.2.2BP算法调整参数混合模型中，数据集图像分类处理过程为受限玻尔兹曼机层输出的高阶统计特征，借助Soft max 分类器实现。
训练该分类器过程中，还要反向前传训练残差得到准确模型分类结果。
借助BP算法对各层参数进行有效监督和调整。
调整参数过程中，分别通过受限玻尔兹曼机似然函数和BP训练进行反向传播，确保受限玻尔兹曼机统计特征提取性质不发生改变。
BP算法反向参数调整需要对各层各输出节点中的参差δi l作出计算，数据残差主要来表示相应节点最终输出值偏差量的受影响程度。
Soft max分类器的全部输出单元中，i残差被定义为已知条件，后面层残差反向往前传播。
具体实施过程中，BP反向传播到达R6层时便可停止，并转入正向传播。