卷积神经网络基础下深度学习算法与应用.docVIP

卷积神经网络基础下深度学习算法与应用 　　摘 要 作为机器学习算法当中具有极高复杂程度的算法之一，深度?W习算法具有强大的分析和学习能力，带有强烈的智能化色彩。而通过将其与卷积神经网络进行充分融合，可以有效增强多层感知器的数据分析、图像处理等能力，对人们分析处理各种数据具有十分重要的帮助作用。因此，本文将在简单介绍卷积神经网络下的深度学习算法基础之上，对其实际应用进行简要分析研究。 　　关键词 卷积神经网络；深度学习算法；模式识别 　　中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2017）195-0059-02 　　经过长期的发展，机器学习已经拓展至了深度学习这一全新的领域。深度学习通过堆叠众多层，并将每一层的输出作为下一层的输入，可以有效实现分级表达输入信息的目的，进而大大方便人们对信息数据的识别和分析处理。而在卷积神经网络基础下，深度学习算法可以使得卷积层对输入的图像进行卷积的基础之上完成特征信息的分级表达，从而使得模式识别更加简易、 　　精确。 　　基于此，本文将着重围绕卷积神经网络基础下的深度学习算法及应用进行探究。 　　1 卷积神经网络下的深度学习算法 　　1.1 卷积神经网络 　　卷积神经网络虽然归属于神经网络范畴，但其具有多层监督学习的特性，并且主要由特征采样层和特征提取层，也就是卷积层共同组合 　　而成。 　　其中每一层都由若干二维平面构成，而每一个二维平面都由若干独立神经元组成。特征采样层在完成样本局部特征提取之后，明确局部特征的具体位置以及彼此之间的关系，此后由卷积层采用梯度下降法控制损失函数，使之降至最小，而后通过利用网络权重参数，对卷积神经网络当中的每一层进行反向调节。在反复迭代训练之下，有效保障卷积神经网络的高精 　　确度[1]。 　　1.2 深度学习算法 　　假设在L系统当中总共拥有n层，第一层为L1、第二层为L2，以此类推直至第n层Ln。输入和输出分别为I与O，则。在输出与输入即I和O相等的条件下，系统L在输入L的整个过程中信息完好无损，则表示在系统L中的任何一层当中，输入I都存在另一种表示，则此时我们将自动获得与输入I相对应的各种层次特征。简单来说，深度学习就是通过借鉴机器学习的算法，利用多层堆叠的方式使得这一层输出可以作为下一层的输入，从而分级表达输入的 　　信息。 　　1.3 稀疏连接 　　与其他神经网络不同的是，在卷积神经网络当中相邻两层之间的所有神经元节点并非相互连接。在充分利用卷积层之间的局部空间之后，层与层之间的神经元节点将形成局部连接的情况。而此时如果将m-1层设置为输入层，则在卷积神经网络当中，m层神经元节点和与之相邻的其他节点（通常为3个）之间可以形成有效连接，此时神经网络架构的参数规模将得到有效 　　控制。 　　1.4 权重共享 　　处于卷积神经网络当中的每一种卷积滤波器，都会在卷积层当中重复作用与感受，也就是实时卷积输入的图像和数据信息，并由此自动生成卷积结果，得到与输入图像相对应的特征图。此时卷积神经网络中的特征提取层将逐一提取特征，而相同的参数则会通过卷积滤波器进行共享。一般在m层特征图像当中国会有3个神经元，负责共享各连接线间的权重 　　参数[2]。 　　2 卷积神经网络基础下深度学习算法的实际应用 　　2.1 处理自然语言 　　卷积神经网络基础下的深度学习算法目前已经被广泛运用在处理自然语言方面。在该算法尚未出现之前，处理自然语言一直使用的是统计模型，该模型虽然能够基本完成自然语言的处理，但其处理效率和处理精确性一直处于较低的水准。随着人们对神经网络研究的不断深入，在卷积神经网络出现后，人们发现其在处理自然语言方面具有较大的优势作用。美国的NEC研究院作为世界上最早研究卷积神经网络下的深度学习算法的机构，在十年前首次尝试运用深度学习算法处理自然语言。其通过利用卷积神经网络的多层一维卷积结构，在一维矢量空间当中实现词汇的一一映射，能够有效完成包括标注词性和语义角色等在内的众多自然语言问题，同时在算法的运用之下，原本一长串的字符字串被分成若干短小的词汇，从而有效提高的自然语言的处理精 　　确性。 　　2.2 图像识别 　　卷积神经网络作为深度神经网络模型的一种，其通过不断训练下形成的两个非线性卷积层和牢牢固定的两个子采样层构成的卷积神经网络架构，模拟出位于动物视觉皮层当中或复杂或简单的细胞，从而完成图像识别的读取。但由于自然图像往往存在像素较大的情况，因此卷积神经网络很难在短时间内充分理解自然图像的内容，进而影响导致最终的图像识别 　　效果。 　　随后研究人员通过改变卷积神经网络的算法，在网络架构的基础之上运用深度学习算法并建立起深度神经网络，并将权重衰减的理念运用在网络训练中，以有效减小