基于深度学习的数字识别方法研究.docVIP

基于深度学习的数字识别方法研究 摘 要：近年来，手写体数字识别是计算机视觉和模式识别中的一个广受关注的问题，引起了越来越多学者的兴趣。这个问题的主要挑战是设计一种有效的方法，可以识别用户通过数字设备提交的手写数字。虽然已有很多相关的研究成果，但是在数字识别这一领域始终不能达到完全使人满意的结果。目前，深度学习算法在计算机视觉中非常流行，被用于解决诸如图像分类、自然语言处理和语音识别等重要问题。 本文以深度学习的几种常见算法，包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络为研究对象，分析了其在手写数字识别上的优缺点，并引入了Google第二代人工智能系统TensorFlow，进而对比了相同的算法在不同的框架下识别的速度以及准确率。结果表明，这几类深度学习算法都能够高效的识别数字图像，尤其是多层卷积神经网络算法和长短时记忆网络算法，在提高识别率方面有明显优势，且在训练数据集时不会损耗过多的计算资源。 关键词：深度学习;手写数字识别;TensorFlow 前 言 深度学习，即从大数据中学习将现实生活中的东西转化为计算机语言，类似于人的学习功能。是否从大数据中学习得到成果是区分深度学习与传统模式的最显著的特征。在先前的研究之中。手工代码识别是最为广泛的被采用的方式，但是实际上已经不太符合现在机器学习发展的需求，从易用性、准确率都和现有的深度学习有一定的差距。 传统的手工代码对于一件事物行为特征的学习周期往往都是数以年记，这样的时间对于实际工程的需要往往是致命的。其算法训练出来的精确率也通常很低，短期内完全不能使用。按照技术发展历程，基于神经网络的深度学习必然将取代传统手工的数字识别，其高准确率，损耗时间周期短等优点随着算法的日益完善而更加突出。 本文就以深度学习的几种常见算法为研究对象，分析了其在数字图像识别上的各种优缺点，并介入了Google第二代人工智能系统TensorFlow进而对比了同样的算法，在基于不同的框架时候的识别的速度以及准确率，并进行实验认证。本文的主要工作如下： (1)归纳整合了目前用于深度学习的常见高效的几种算法，并且同时实现手工设计以及基于人工智能系统TensorFlow下的实验对比，证实基于神经网络的深度学习已经大幅度超越手工代码。 (2)分析了深层神经网络的4种训练方法的原理。 (3)进行实验后通过充分的实验数据分析，对系统的功能和性能进行评估和优化，并总结相应的优缺点，对未来提出展望。 第一章 绪 论 本章首先介绍了数字图像识别技术的研究背景和意义，其次简单介绍了深度学习目前的研究成果以及发展状况，并概述了本文所做的主要工作和贡献，在本章的最后介绍了论文的组织结构。 1.1 研究背景及意义 图像识别[1] 是模式识别技术的一种，特指对图象类模式的辨认。图像识别过程包括训练和测试两个阶段，而其又主要由图像预处理、特征提取以及分类三个环节组成。在图像识别中，首先要对获取的图像进行预处理，目的是去掉图像中的噪声，把它变成一幅清晰的点阵图，以便于提取正确的图像特征[2]。其次在图像中进行需要的目标图像特征提取。之后，对于目标的图像特征进行分类。 图像识别实现目前主要方法就是机器学习，当下时代的要求已经远超过了简单的机器学习所能提供的条件，并且在实际应用是也会遇到诸多困难。在信息化，智能化的时代背景下，我们需要高准确率、时间周期短的高效算法来满足当前的需要。 1.2 深度学习概述 深度学习起源于大脑神经科学，使用了分层次抽象的思想，隶属于机器学习。它能够将数据分层处理，并从数据的每层结构中学到有用的特征。它的优点是人工监督可以被大大地缩减，从而省下大量人工及时间成本。 1950年，图灵提出了隔墙对话的概念。使用电脑模拟人类大脑和人类进行对话，让人们无法分辨他们是否在与人或计算机交谈。可惜的是，几十年后人工智能还没有达到这个阶段，人工智能和深度学习也备受质疑。在20世纪80年代， BP算法[3](Back Propagation)开始运用于人工神经网络。与过去人为建立的规则的优势相比，这种方法体现在人造神经网络模型可以从大量训练样本中推导统计规则的事实[4]。之后的90年代中，最大熵和支持向量机SVM等浅层机器学习模型在理论分析和应用中取得的成功使得这些模型成为当前最常见的机器学习算法，但人工神经网络的研究进入低谷。 2006年，深度学习这一概念被提出来。世界上许多顶级大学在深度学习研究中发挥着重要作用。一些组织和公司由此在自身的公司架构里专门组建了深度学习研究部门用以研究该方向的实际应用。2011年，微软和谷歌研究小组深入了解语音识别，原有语音识别技术的