人工智能与模式识别5基于CNN的FashionMNIST图像分类.docx
需积分: 50 72 浏览量
2021-12-04
15:50:56
上传
评论 1
收藏 846KB DOCX 举报
基于 CNN 的 FashionMNIST 图像分类
姓名： 杨苏杭 学号： 211050017 专业：计算机科学与技术
1. 算法简介（算法原理及结构图）
算法原理：
卷积神经网络（CNN）与普通神经网络非常相似，它们都由具有可学习的权重和偏置
常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每
个分类的分数，普通神经网络里的一些计算技巧到这里依旧适用。
卷积神经网络默认输入是图像，可以让我们把特定的性质编码入网络结构，使我们的
前馈函数更加有效率，并减少了大量参数。
卷积神经网络利用输入是图片的特点，把神经元设计成三个维度： width, height,
depth(depth 不是神经网络的深度，而是用来描述神经元的) 。比如输入的图片大小是
32 × 32 × 3 (RGB)，那么输入神经元就也具有 32×32×3 的维度。下面是图解：
传统神经网络：
卷积神经网络：
一个卷积神经网络由很多层组成，它们的输入是三维的，输出也是三维的，有的层有
参数，有的层不需要参数。
卷积神经网络通常包含以下几种层：
A．卷积层，卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数
都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积
层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中
迭代提取更复杂的特征。
B. 激活层，激活层的作用是将卷积层或者池化层的结果线性输出，通过特定的激活函
数进行处理，通过非线性的激活函数来增强网络的表征能力。
C. 池化层，通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最
大值或平均值，得到新的、维度较小的特征。
评论0
最新资源