摘 要

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究及现状 1

1.3 研究内容及组织结构 2

第2章 卷积神经网络理论基础 3

2.1 人工神经网络 3

2.2 BP神经网络 4

2.3 卷积神经网络的结构及原理 5

2.3.1整体结构 6

2.3.2局部感知 6

2.3.3权值共享 7

2.3.4卷积层 7

2.3.5激活函数 8

2.3.6池化层 10

2.3.7全连接层 10

2.4卷积神经网络的优缺点 11

第3章 基于卷积神经网络的图像分类 12

3.1 CIFAR-10数据集 12

3.2 卷积神经网络框架 12

3.3神经网络搭建方案 13

3.4 实验结果与分析 15

第4章 总结与展望 16

4.1 全文总结 16

4.2本文的不足与展望 16

参考文献 18

致谢 19

摘要

卷积神经网络是一类应用广泛的前馈神经网络，它对应的人工神经元可以对一部分神经元产生响应，在规模较大的图像的处理领域，卷积神经网络有着惊人的表现。一个卷积神经网络通常由归一化层、卷积层、池化层、激励层和全连接层构成。卷积神经网络中可包含若干个卷积层，第一个卷积层会直接将图像当成输入，每一个卷积的操作仅仅对图像的一小块区域进行处理，每一层卷积都会提取数据中最鲜明、最有效的特征。进行每一步卷积操作后，再传到接下来的网络层。

实际上，一开始卷积神经网络的诞生，是为了解决图像识别等问题的。到了如今，它的应用已经相当广泛，从交通领域到医学领域，再到航空领域，到处都是他的身影，而不仅仅限于图像和视频处理。卷积神经网络还可以用于时间序列信号，比如音频信号和数据文本的处理。

本课题主要研究卷积神经网络的图像识别，对卷积神经网络的模型的架构和原理进行理论分析，利用Tensorflow架构编写CNN神经网络模型对图像进行分析处理，并不断改善网络结构和参数的选择，使得图像分类的效果增强而且效率得到提高，尽可能地提高分类精度，提高卷积神经网络的分类效果。

关键词：卷积神经网络，Tensorflow，图像分类

Abstract

Convolutional neural network is a feedforward neural network which is widely used, its corresponding artificial neuron can produce corresponding response to a part of the coverage area. In the field of large-scale image processing, convolutional neural network has an amazing performance. A convolutional neural network is usually composed of a convolutional layer, a pooling layer, and a fully connected layer. A convolutional neural network can contain several convolutional layers. The first convolutional layer directly takes a pixel-level image as the input signal, and each convolution operation only processes a small area of ​​the image. After the convolution operation, it is passed to the next network layer. Each layer of convolution will extract the most effective and distinctive features of the data.

In fact, the birth of a convolutional neural network was originally designed to solve problems such as image recognition. Until now, its application has been quite extensive. From the transportation field to the medical field to the aviation field, it is everywhere, not just limited to image and video processing. Convolutional neural networks can also be used for the processing of time-series signals, such as audio signals and data texts.

This topic mainly studies the image recognition of convolutional neural network, analyzes the architecture and principle of the convolutional neural network model, uses the TensorFlow architecture to write the CNN neural network model to analyze and process the image, and continuously improves the choice of network structure and parameters. The effect of image classification is enhanced and the efficiency is improved, the classification accuracy is improved as much as possible, and the classification effect of the convolutional neural network is improved.

Key words: Convolutional neural network , TensorFlow , image classification

绪论

• 1. 研究背景及意义

随着当今社会信息技术的飞速发展，各类信息量及数据量呈指数增长的趋势，研究出获取、管理这些图像信息并对其进行有效处理的方式，越来越成为计算机等领域炙手可热的研究热点。如何处理这些数据，并将它们进行有效地分类，在图像分类研究方向，有着很大的研究应用价值。

图像分类技术是利用了人工智能领域的技术，来对特定的输入图像进行处理，比如识别和分类，其中机器学习的方法使用尤为广泛。和人眼对图像进行的过程类似，任何一个图像的识别都需要被多个层次的架构进行整合、加工等处理，然后整合起每个分散的图像的特征信息，进行对图像的识别和分类。同样的，在当今这个信息化的时代，我们依照某种算法，利用计算和学习能力强大的计算机对图像信息进行识别和分类。图像分类对我们的生活、工作和学习有着非常重大的意义，已经广泛应用到车牌识别、人脸识别、医疗以及航空等领域。

在早期的图像识别过程中，主要是通过提取人工设计的特征点，用数学模型表示图像，然后和图像进行匹配，最后进行图像识别。但是这种方法识别率低，可靠性低，而且需要人为设计特征。

随着人工智能的发展，深度学习领域受到前所未有的关注。人工神经网络的研究催生了深度学习的出现，使用非监督式或半监督式的特征学习提取输入信号的特征是深度学习的一大亮点。

深度学习在机器学习研究中是一个亟待开发的全新疆土，它是一个模拟人脑并依次构建模型进行学习的神经网络，它与人脑的机制类似，尤其在处理数据方面，如图像，声音和文本等信息。目前，深度学习还在急速发展。

基于卷积神经网络的图像分类是将图片信息传到以及搭建好的神经网络中，在架构上利用深度学习算法来训练数据，本论文使用的是数据集，该数据集包含张彩色的图像，每一张图像都是像素点，分为类，每类有张图片。张图像中，使用张用于训练，剩下的张则用于测试。然后利用这些数据集训练好的模型，对图像进行分类操作。卷积神经网络具有输入图像特征自行提取、权值共享，泛化能力强等特点。综上，与传统的图像分类方法相较，基于卷积神经网络的图像分类方案效率更高、分类精度也越高。而卷积神经网络结构模型是影响图像分类精度和分类效率的关键因素，因此在卷积神经网络研究领域，它具有相当大的研究价值与意义。

• 1. 国内外研究及现状

卷积神经网络这一概念，最早起源于19世纪科学家提出的感受野。科学家发现，任一个视觉神经元仅仅只对一小块图像区域的视觉进行识别、处理，故称之为感受野^[1]。到了20世纪，科学家又提出了神经认知机这一全新的概念，这一概念可以称为是卷积神经网络诞生的鼻祖。神经认知机中包含两种神经元，分别是：用来提取图像特征的细胞，还有用来抗图像形变的细胞，其中细胞对应着当今应用广泛的卷积核滤波操作，而细胞则对应着卷积网络中的激活、最大池化等操作。

从20世纪90年代以来，可用于训练的卷积层是一种很高效的方式，这种方式是用很少的参数在输入图像的多个区域提取比较相似的特征。实际上，因为任一输入的图像，相关性都很强，因此，像素不应在输出层就被提取并使用，而将图像中的不与其他相关的像素提取出来，直接作为输出就有所不同了，因为这一就不会使用到些相关性了，以上是和直接把每个像素作为神经网络的输入的最大的不同之处。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：