APP下载

基于TensorFlow的卷积神经网络的研究与实现

2018-11-05郑攀海郭凌丁立兵

电子技术与软件工程 2018年18期

郑攀海 郭凌 丁立兵

摘要: 本文基于TensorFlow设计一种卷积神经网络。通过介绍卷积神经网络的结构,研究卷积神经网络中的前向传播和反向传播算法,推导了前向传播和反向传播的数学公式,并利用TensorFlow买现一种卷积神经网络。在CIFAR10数据集上训练6 000次的topl准确率为74.3%,验证了方法的有效性。

【关键词】TensorFlow 卷积神经网络 前向传播 反向传播

近年来卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果。卷积神经网络强大的特征学习与分类能力引起了广泛的关注,具有重要的分析与研究价值[1]。

卷积神经网络的概念最早源于19世纪60年代科学家研究猫的视觉皮层细胞时,提出的感受野[2,3]概念。即每一个视觉神经元,只会处理一小块区域的视觉图像。20世纪80年代,日本科学家提出的神经认知机制[4]是最早实现的卷积神经网络。神经认知机制中包含两类神经元,第一类用来抽取特征的S-cells,对应卷积核滤波操作。第二类是用来抗变形的C-cells,对应激活函数和最大池化操作。通常用全连接网络将像素点作为输入特征处理图像问题[5],没有充分利用到图像空间上的局部相关性,这种方法的最大问题就是参数太多,导致训练时间长,甚至不能训练和过拟合等一系列问题。而卷积神经网络有效利用了图像在空间结构上的关系,从而减少需要学习的参数量,提高BP算法的效率。在LeNet-5,VGGNer,InceptionNet,ResNet[6,7,8,9]等系列经典的图像处理算法中都使用了卷积层做为图像的特征提取代替人工提取。……

登录APP查看全文