【摘要】随着人工智能技术的发展，图像识别技术水平不断提升，极大地改变传统的图像识别方式，通过运用大数据，保证实际的识别准确率。但是不同深度学习系统具有各自的优势和缺点。因此，本文结合深度学习系统的图像识别方法进行分析论述。

【关键词】深度学习系统 图像识别 方法 分析

【课题项目】湘潭市科技指导性计划项目，课题名称：《基于卷积深度学习系统的图像识别方法研究》，课题编号：ZJ20171019。

【中图分类号】TP391.41 【文献标识码】A 【文章编号】2095-3089（2019）10-0231-02

图片作为互联网时代重要信息载体，为人们生产生活提供了极大的便利。在进行图像识别过程中，图片中包含大量的信息，这就需要技术人员深度分析学习模型，结合图片的特征，利用大数据处理技术，做好信息的提取，分析不同单元之间的联系，真正发现图像内部的结构特征。因此，本文从深度学习系统入手，就如何做好图像识别展开论述，并且提出合理化建议与意见。

一、卷积神经网络在图像识别中的具体应用

（一）卷积神经网络结构

卷积神经网络简称CNN，属于深度前馈神经网络，主要包括以下几方面的内容：第一，卷基层，属于整个卷积神经网络的核心构件，是一个权值矩阵，通过对原始图像矩阵分析，可以提取特定信息，满足实际分析的要求。在多层卷积中，第一层主要提取一般的特征。对于深层的卷积神经网络，可以提取更加复杂的特征。为了有效解决不同位置像素点利用率不同的问题，技术人员可以采取填充的方式，通过卷基层，不断输出激活图。第二，池化层，就是为了有效减少网络中的计算量，提升实际的运行速度，通过引入池化层，技术人员可以把特征图分成若干个区域，实现区域的最大池化，最大限度减少图像空间，不断减少计算量，有效保留输入图像的特征。在这种情况下，图像的尺寸减少。第三，为了实现图像不同类别数量输出的目标，技术人员可以采用全连接层，真正把局部特征融入到整体特征中。同时，技术人员可以利用损失函数计算可能出现的误差，然后进行反向的传播，通过不断更新卷积核参数的改进，满足实际识别的基本要求。

（二）卷积神经网络在图像识别应用分析

卷积神经网络基本模型主要包括训练数据和测试数据的图像，具体包括以下几层，其中第一层和第三层为卷基层，第二层和第四层为池化层，第五层和第六层为全连接层。另外，输入层就是把图片进行填充。

二、深度信念网络技术在图像识别中的应用

（一）深度信念网络模型结构

技术人员利用深度信念网络，通过学习进行概率重构。网络模型在完成第一个学习步骤以后，可以进行监督训练，从而构成深层神经网络。根据实际运行情况，深度信念网络模型主要包括预训练和微调两个步骤。其中预训练就是预估初始化的权重参数，通过CD算法，然后单独训练每一层网络，具体包括以下几个步骤：需要做好可见单元初始化工作，从而获得训练矢量和权值矩阵，然后进行隐含单元的更新，再利用隐含单元更新可见单元，以上统称为重建，这就要求技术人员对每一层进行重建，做好参数的刷新。在REM完成训练以后，就会有新的REM进行堆积，在最终的训练层进行输入。通过不同重复上述过程，可以满足实际的停滞标准。根据CD算法的要求，其中最大可能性比较粗糙，但是具有良好的有效性。

在完成预训练之后，技术人员需要微调参数。其中深度信念网络的BP神经网络能够对训练分类器进行监督。根据实际运行的情况，隐含层具有独立性的特点，其中每一层REM网络只能保证层次权值向特征向量映射实现最优，这就需要对全连接进行相应的微调。在利用REM网络模型进行训练过程中，是初始化BP网络权值参数，保证参数的合理性，减少训练时间，提升运行效率。

（二）在图像识别中的具体应用

深度信念网络模型在应用到图像识别过程中，极大地提升了识别的效率，缩短了识别时间，可以充分发挥大数据的优势，对初始权值参数进行全面优化，得到了广泛的应用，满足了用户对图像识别的基本要求。在利用深度信念网络模型应用到手写字体识别过程中，可以设置成双层的DBN结构，其中隐含层设置了100个单元，因此，可以将RBM和BP层的迭代次数设置为100，从而满足实际识别的要求。

综上所述，深度学习系统是当前智能化技术发展的重要内容，可以進行数据的处理、调整以及训练。其中卷积神经网络算法具有很强的适应性，但是也存在一定的缺点。对于深度信念网络模型，可以初始化权值参数进行优化，但是训练时间过长，用户可以结合实际情况，选择不同的识别系统。

参考文献：

[1]彭骋.基于深度学习的图像检索系统[J].通讯世界，2018（06）：258-259.

作者简介：

张珏（1986-），女，汉族，湖南湘潭人，讲师，在读研究生，研究方向为信息技术教育。