王辉 张健 杭伟

（保山学院 云南省保山市 678000）

1 引言

卷积神经网络（Convolutional Neural Networks,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一[1-3]。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks,SIANN）”[4]。只需在卷积神经网络传入数据，就可以根据数据表现出图片的特征，从而对比图片，分类出我们需要的羚羊图片。这种快速而有效的提取有价值的信息的能力就成了深度学习的重中之重，拥有着广阔的实用价值与研究意义。

2 网络模型

2.1 人工神经网络

人工神经网络（Artificial Neural Networks，简写为ANNs）[5]是一种模仿人类的神经网络的行为特征来进行分布式并行信息处理的算法数学模型。这项技术就是学习及模仿动物的一些神经网络行为，将信息进行分析学习以及存储的智能信息网络[6-7]。目前神经网络在计算机视觉、机器人、模式识别、自动控制等方面都有很广泛的应用。但人工神经网络却不太适合用于图像识别，主要有以下几个不足：

（1）参数过多，在CIFAR-10[8-9]数据集中，图像只有大小为32*32*3（W=32，H=32，RGB），因此在正常的神经网络中的第一隐藏层中的神经元，单个完全连接的神经元就将具有32*32*3=3072 个权重。这种完全连接无疑是很浪费资源的，而且如果有大量的参数会很快的导致过度配套从而使效率降低。

（2）未能利用像素间的位置信息。当完成每个连接权重的学习之后，会发现有大量权重的值都是很小的（也就是这些连接其实无关紧要），花费大量资源在不重要的权重上，这种学习效率是极低的。……