基于卷积神经网络的手写数字识别专家讲座.pptxVIP

基于卷积神经网络手写数字识别第1页

第2页

第3页

卷积神经网络基于人工神经网络使用卷积核作为特征抽取器自动训练特征抽取器（即卷积核，即阈值参数）卷积核一次训练屡次使用，能够在线学习（模型在训练好之后，在使用中继续训练）。局部感受野+权值共享+下采样使模型参数大幅减小。第4页

第5页

第6页

7卷积w13w12w11w23w22w21w33w32w3110-110-110-1ConvolvewithThresholdw13w12w11w23w22w21w33w32w31卷积其实是一个图像处理核卷积用于增强图像某种特征，降低噪音第7页

8卷积features第8页

9卷积第9页

子采样利用图像局部相关性原理，降低训练维数，同时保留了有用信息降低图像分辨率增强网络对大小改变适用性第10页

子采样第11页

第12页

为何不把S2中每个特征图连接到每个C3特征图呢？原因有2点。第一，不完全连接机制将连接数量保持在合理范围内。第二，也是最主要，其破坏了网络对称性。因为不一样特征图有不一样输入，所以迫使他们抽取不一样特征。第13页

训练过程训练算法与传统BP算法差不多。主要包含4步，这4步被分为两个阶段：第一阶段，向前传输阶段：a）从样本集中取一个样本(X,Yp)，将X输入网络；b）计算对应实际输出Op。?????在此阶段，信息从输入层经过逐层变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行过程。在此过程中，网络执行是计算（实际上就是输入与每层权值矩阵相点乘，得到最终输出结果）：?????????Op=Fn（…（F2（F1（XpW（1））W（2））…）W（n））第二阶段，向后传输阶段a）算实际输出Op与对应理想输出Yp差；b）按极小化误差方法反向传输调整权矩阵。第14页

15LeNet5第15页

16LeNet5第16页

优点?卷积神经网络较普通神经网络在图像处理方面有以下优点：a）输入图像和网络拓扑结构能很好吻合；b）特征提取和模式分类同时进行，并同时在训练中产生；c）权重共享能够降低网络训练参数，使神经网络结构变得更简单，适应性更强。第17页

谢谢大家！ThankYou！