cnn算法的深度学习研究与应用(源码)【字数：10169】
摘 要长期以来，有关于人工智能这方面的电影都备受欢迎。在电影中，导演和编剧会拥有无穷的想象力来构造一个精彩的科技世界。回归现实，人工智能研究的领域也非常广泛。常见的深度学习的学习架构有深度神经网络、卷积神经网络和递归神经网络等，并且带有卷积结构的深度学习网络被大量应用于研究过程中。深度学习也已经在图像识别、自然语言处理和生物科学等领域取得了重大成就。本论文对深度学习原理和TensorFlow架构进行了简要介绍，并且对CNN算法进行分析。通过对手写数字的识别来比较CNN算法与回归模型，验证CNN算法的优越性。最后验证卷积神经网络对识别图像、车牌识别和文本分类等实际应用的可行性。
目 录
第一章 绪论 1
1.1研究背景 1
1.2研究目的和意义 1
1.3研究内容 1
1.4论文组织 2
第二章 深度学习的原理及框架 3
2.1深度学习类神经网络原理 3
2.1.1神经传导的原理 3
2.1.2以矩阵运算仿真神经网络 4
2.1.3多层感知器模型 4
2.2深度学习的TensorFlow框架 4
2.2.1系统架构 4
2.2.2设计思想 6
2.2.3TensorFlow编程模型 6
第三章 CNN算法的原理与网络结构 7
3.1CNN算法原理 7
3.1.1卷积运算 7
3.1.2池化操作 8
3.2CNN算法的网络结构 8
3.2.1LeNet5的网络结构 8
3.2.2Inceptionv3的网络结构 9
第四章 CNN算法与回归模型识别手写体数字 11
4.1MNIST数据集的介绍 11
4.2回归模型识别手写体数字 11
4.3CNN算法识别手写体数字 12
4.4实验结果分析 14
第五章 在TensorFlow框架下的CNN算法的应用 16
5.1CNN算法在图像识别中的应用 16
5.1.1LeNet模型识别车牌 16< *好棒文|www.hbsrm.com +Q: *351916072*
br /> 5.1.2Inceptionv3模型识别图像 19
5.2CNN算法在自然语言处理中的应用 22
结束语 24
致 谢 25
参考文献 26
附录A 27
附录B 29
第一章 绪论
1.1研究背景
随着谷歌AlphaGo的成功问世，人工智能也吸引了大众媒体的目光。“人工智能”这个学术术语的最早提出是在20世纪50年代，之后一些关于人工智能的名词也接踵而来，例如机器学习和深度学习。如果说人工智能是目标，那么机器学习和深度学习就是手段。在早期的人工智能中，如果我们要让机器智能的完成某项任务，也只是编程人员通过一些规则、技巧来将其实现。若是让机器人下围棋，机器也只是比人类计算的快点罢了。那怎样让机器来表达对事物的喜爱呢？是不是很难把它描述出来。
深度学习便是这些很难描述清楚问题的一种解决方案。虽然深度学习的产生是也可以说是受到了生物大脑的影响，但不能简单的把深度学习的研究归结于是去模拟大脑工作，其实深度学习研究有很多是应用与数学基础[1]。所以深度学习在20世纪50年代还被称为控制论，之前一直运用于生物研究领域，到2012年后深度学习已彻底被工业界所接受。深度学习[2]作为人工智能的核心技术，被广泛应用于图像识别、语音识别、自然语言处理与生物科学等领域中。而卷积神经网络（CNN）是深度学习的一种架构，主要有输入层、卷积层、池化层和输出层，带有这种卷积结构的深度神经网络也被大量应用于机器学习之中。
1.2研究目的和意义
本论文的研究目的就是通过CNN算法与回归模型的对比，识别MNIST手写体，验证CNN算法[3]的优越性，并且验证CNN算法在图像识别、车牌识别和文本分类上的可行性。
虽然传统的神经网络也能识别手写数字，但是基于CNN模型的算法更加通用。之前一般都是采用人工来进行对数据的训练，这需要用到大量的人力进行特征提取，现在我们可以自动进行大批量数据的训练。
1.3研究内容
本论文研究的深度判别模型是CNN模型，并且CNN的基本原理和基础被视为机器学习的首选解决方案。基于CNN算法的深度神经网络相对于其他一些学习技术以及设计出的特征提取计算有着明显的优越性。在传统CNN算法基础上研究了LeNet5网络结构，以及谷歌的Inceptionv3网络结构。这两种网络结构在手写数字识别和图像识别中都取得了非常好的效果。并且CNN算法在文本分类上也有着不错的成果。特别要说的是，本论文主要是在TensorFlow框架下来验证CNN算法的可行性。 1.4论文组织
本论文共分为5个章节 ，具体结构如下：
第一章绪论部分。介绍毕业设计的所研究的背景、研究目的和意义、研究内容及论文组织。
第二章深度学习的原理及框架。介绍深度学习类神经网络原理，以及深度学习的TensorFlow框架。
第三章CNN算法的原理与网络结构。主要包括CNN算法原理和CNN算法的网络结构。这里主要介绍了LeNet5的网络结构和Inceptionv3的网络结构。
第四章CNN算法与回归模型识别手写体数字。首先介绍了MNIST这个数据集。这里分别用两种模型来对手写体数字进行识别，来验证CNN算法的优越性。
第五章在TensoeFlow框架下CNN算法的应用。主要有两个部分，一个是CNN算法在图像识别中的应用，还有一个是CNN算法在自然语言处理方面的应用。其中在图像识别中，分别采用了LeNet模型来识别车牌和Inceptionv3模型来识别图片。
最后对论文进行了总结。
第二章 深度学习的原理及框架
2.1深度学习类神经网络原理
我们知道的关于神经网络，是人们把神经网络和大脑及生物学上的其他种类做了大量的类比。但是这里我们可以将它看做是与大脑无关的一组函数。比如线性评分函数为：
????=???????? 式（21）
目 录
第一章 绪论 1
1.1研究背景 1
1.2研究目的和意义 1
1.3研究内容 1
1.4论文组织 2
第二章 深度学习的原理及框架 3
2.1深度学习类神经网络原理 3
2.1.1神经传导的原理 3
2.1.2以矩阵运算仿真神经网络 4
2.1.3多层感知器模型 4
2.2深度学习的TensorFlow框架 4
2.2.1系统架构 4
2.2.2设计思想 6
2.2.3TensorFlow编程模型 6
第三章 CNN算法的原理与网络结构 7
3.1CNN算法原理 7
3.1.1卷积运算 7
3.1.2池化操作 8
3.2CNN算法的网络结构 8
3.2.1LeNet5的网络结构 8
3.2.2Inceptionv3的网络结构 9
第四章 CNN算法与回归模型识别手写体数字 11
4.1MNIST数据集的介绍 11
4.2回归模型识别手写体数字 11
4.3CNN算法识别手写体数字 12
4.4实验结果分析 14
第五章 在TensorFlow框架下的CNN算法的应用 16
5.1CNN算法在图像识别中的应用 16
5.1.1LeNet模型识别车牌 16< *好棒文|www.hbsrm.com +Q: *351916072*
br /> 5.1.2Inceptionv3模型识别图像 19
5.2CNN算法在自然语言处理中的应用 22
结束语 24
致 谢 25
参考文献 26
附录A 27
附录B 29
第一章 绪论
1.1研究背景
随着谷歌AlphaGo的成功问世，人工智能也吸引了大众媒体的目光。“人工智能”这个学术术语的最早提出是在20世纪50年代，之后一些关于人工智能的名词也接踵而来，例如机器学习和深度学习。如果说人工智能是目标，那么机器学习和深度学习就是手段。在早期的人工智能中，如果我们要让机器智能的完成某项任务，也只是编程人员通过一些规则、技巧来将其实现。若是让机器人下围棋，机器也只是比人类计算的快点罢了。那怎样让机器来表达对事物的喜爱呢？是不是很难把它描述出来。
深度学习便是这些很难描述清楚问题的一种解决方案。虽然深度学习的产生是也可以说是受到了生物大脑的影响，但不能简单的把深度学习的研究归结于是去模拟大脑工作，其实深度学习研究有很多是应用与数学基础[1]。所以深度学习在20世纪50年代还被称为控制论，之前一直运用于生物研究领域，到2012年后深度学习已彻底被工业界所接受。深度学习[2]作为人工智能的核心技术，被广泛应用于图像识别、语音识别、自然语言处理与生物科学等领域中。而卷积神经网络（CNN）是深度学习的一种架构，主要有输入层、卷积层、池化层和输出层，带有这种卷积结构的深度神经网络也被大量应用于机器学习之中。
1.2研究目的和意义
本论文的研究目的就是通过CNN算法与回归模型的对比，识别MNIST手写体，验证CNN算法[3]的优越性，并且验证CNN算法在图像识别、车牌识别和文本分类上的可行性。
虽然传统的神经网络也能识别手写数字，但是基于CNN模型的算法更加通用。之前一般都是采用人工来进行对数据的训练，这需要用到大量的人力进行特征提取，现在我们可以自动进行大批量数据的训练。
1.3研究内容
本论文研究的深度判别模型是CNN模型，并且CNN的基本原理和基础被视为机器学习的首选解决方案。基于CNN算法的深度神经网络相对于其他一些学习技术以及设计出的特征提取计算有着明显的优越性。在传统CNN算法基础上研究了LeNet5网络结构，以及谷歌的Inceptionv3网络结构。这两种网络结构在手写数字识别和图像识别中都取得了非常好的效果。并且CNN算法在文本分类上也有着不错的成果。特别要说的是，本论文主要是在TensorFlow框架下来验证CNN算法的可行性。 1.4论文组织
本论文共分为5个章节 ，具体结构如下：
第一章绪论部分。介绍毕业设计的所研究的背景、研究目的和意义、研究内容及论文组织。
第二章深度学习的原理及框架。介绍深度学习类神经网络原理，以及深度学习的TensorFlow框架。
第三章CNN算法的原理与网络结构。主要包括CNN算法原理和CNN算法的网络结构。这里主要介绍了LeNet5的网络结构和Inceptionv3的网络结构。
第四章CNN算法与回归模型识别手写体数字。首先介绍了MNIST这个数据集。这里分别用两种模型来对手写体数字进行识别，来验证CNN算法的优越性。
第五章在TensoeFlow框架下CNN算法的应用。主要有两个部分，一个是CNN算法在图像识别中的应用，还有一个是CNN算法在自然语言处理方面的应用。其中在图像识别中，分别采用了LeNet模型来识别车牌和Inceptionv3模型来识别图片。
最后对论文进行了总结。
第二章 深度学习的原理及框架
2.1深度学习类神经网络原理
我们知道的关于神经网络，是人们把神经网络和大脑及生物学上的其他种类做了大量的类比。但是这里我们可以将它看做是与大脑无关的一组函数。比如线性评分函数为：
????=???????? 式（21）
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/rjgc/108.html
