摘 要

神经网络中卷积神经网络被广泛运用于图像处理中，提取图中的特征是卷积网络的特点与优点直接从图中找到更多的信息让图像识别更别便捷。这种先提取特征再深度学习的方法有借鉴与人脑对物品的向量特诊识别。除此以外，由于卷积神经网络能够共享网络训练所需要的参数，从而大大减少所需要训练的参数，神经网络模型得到了简化与改善，提升了效率。文中主要研究神经网络整体结构的设计与一些学习率和优化器的选择与研究。网络层数与参数的抉择与判断决定了卷积神经网络的分类效果。设计一个好的卷积层在整个神经网络中是特别重要的，同时层数的选择优化卷积的神经网络的参数与优化器的选择在神经网络的图像识别与分类中也是特别重要的。

本文主要是介绍如何在python平台下的tensorflow框架上深度神经网络进行多分类目标识别。即设计一个三层卷积加两层全连接层共同的神经网络，用来训练的数据是网上标准的CIFAR-10数据集，经过不断的优化与测试还有参数选择最终达到了较好的效果。同过实验结果我们可以清楚的看到简单的神经网络已经对一些简单的图像识别有着很好的功效，但是略有不足，本文通过继续深入研究学习率的选择，迭代的次数与模型优化器的选择，对网络模型做更多的训练与测试以求达到更好的效果，最终通过实践，找了更好的解决模型，本次实验中的多模型选择对于解决实际工程问题有着一定的展示作用。

关键词： tensorflow框架cifar-10,神经网络 卷积神经网络 反向传播算法 wxpython

Multi-class target recognition based on deep neural network

Abstract

Convolutional neural networks in neural networks are widely used in image processing. The features in the extracted graphs are the characteristics and advantages of convolutional networks. Finding more information directly from the graph makes image recognition more convenient. This method of first extracting features and then deep learning can be used to refer to the vector special diagnosis of human items. In addition, since the convolutional neural network can share the parameters required for network training, thereby greatly reducing the parameters required for training, the neural network model is simplified and improved, and the efficiency is improved. This paper mainly studies the design of the overall structure of neural networks and the selection and research of some learning rates and optimizers. The selection and judgment of the number of network layers and parameters determine the classification effect of the convolutional neural network. Designing a good convolutional layer is especially important in the entire neural network. The selection of the number of layers to optimize the convolutional neural network parameters and the choice of the optimizer are also particularly important in the image recognition and classification of neural networks.

This paper mainly introduces how to perform multi-classification target recognition on deep neural networks on the tensorflow framework under Python platform. That is to design a three-layer convolution plus two layers of fully connected layer common neural network, the data used for training is the online standard CIFAR-10 data set, after continuous optimization and testing, and parameter selection finally achieves better results. . With the experimental results, we can clearly see that the simple neural network has a good effect on some simple image recognition, but it is slightly insufficient. This paper continues to study the choice of learning rate, the number of iterations and the model optimizer. Select, do more training and testing on the network model in order to achieve better results, and finally find a better solution model through practice. The multi-model selection in this experiment has a certain role in solving practical engineering problems. . And finally the page display through wxpython can have a clearer and clearer feedback on the classification effect of different images.

Keywords: tensorflow framework;cifar-10;neural network;convolutional neural network; wxpython

目 录

摘 要 I

Multi-class target recognition based on deep neural network II

Abstract II

第一章 绪论 1

1.1研究工作的背景和意义 1

1.2 国内外研究现状 2

1.3主要内容 3

1.4 论文整体结构 4

第二章 神经网络在图像分类中的应用分析 5

2.1 反向传播算法 5

2.2卷积神经网络的结构 7

2.3卷积网络的计算过程 8

2.4 卷积神经网络在图像识别中的应用 10

2.5本章小结 11

第三章 深度神经网络的搭建与识别过程 13

3.1数据获取 13

3.2神经网络的搭建 14

3.3.loss值的计算 14

3.4优化器的选取 15

3.5训练模型并保存结果 17

3.6本章总结 17

第四章 系统功能实现 19

4.1主界面实现 19

4.2 子界面展示。 21

4.3本章总结 23

第五章 总结与展望 24

5.1 全文总结 24

5.2 后续工作展望 24

参考文献 25

致谢 27

第一章 绪论

从第一台计算机问世到现在已经有将超过半个世纪，在这半个多世纪以来计算机技术迅速发展，信息科技卓越进步，计算机技术覆盖越来越广，技术的深度越来越深，小到每个人的移动产品，大到国家卫星系统无一不被计算机技术所覆盖。人工智能，大数据技术与机器学习已经走进每家每户，自媒体的崛起也与智能的算法的内容密切相关，字节跳动成功将技术运用在了社交媒体上使我们能够更加便捷的获取我们所喜欢的内容与知识。我听说过许多关于机器学习的相关成功案例，这些科技的创新不断地改善着我们的生活，使人类财富越加丰富。本文是研究当下火热的机器学习中的卷积神经网络中深度学习的设计与探索如何优化与改进其内容与性能，对比不同参数下的实际效果，来使我们对整个神经网络有初步的认识与了解，深度学习网路是对传统的简单单一的神经网络的改进与提升以及升华，更多的层数，更多的参数，更好的模型学则使分类效果更加明显，效果更加卓越。而我们的卷积神经网络就是深度神经网路中的一份子，它在目前被广泛运用与图像识别，语音识别，语音认证，翻译等方面，而我们所做的图像分类也是它能很好工作的一个部分，它具有许多的应用场景如机器人识别，智能导航等。本文写了一种神经网络通过不同的优化与改进，使网络效果更加好，更加明显，数据分类也更为符合我们的预期，并且能和大部分图像分类结果有相近，甚至更好的效果。

1.1研究工作的背景和意义

社会发展需求刺激着联网技术的发展，互联网 已成为社会进步和发展的原动力，飞速发展的科技必将有需求作为推动，目前人们已经跨进了一个新的时代——大数据时代，在这里有着大量的数据与知识，企业通过对数据的学习与分析后，能够采取更好的方案，在行业竞争中谁先掌握了科技谁就有更好的立足的点，在深入研究最新进展的细节之前，了解深度学习的应用场景，有益于学习推荐系统。很明显，许多深度推荐系统都有在短短的几年内提出。在这一点上，很容易质疑是否需要这么多不同的架构以及神经网络在的实用性问题。但实际上它很容易找到每个提出的架构以此来对应最适应的场景。总而言之，它与任务域和推荐方案的问题相关。神经系统最具感染性的特性之一是它们端到端的可靠性和提供适合的诱导偏差。支持输入不同的数据类型。因此，如果模型可以利用固有结构，那么深度神经网络应该是有用的。例如，CNN和RNN长期以来一直在利用视觉中的内在结构。 此外，深层神经网络也可以是多个神经构建块的基础上复合组成一个（巨大的）可靠的功能和端到端的神经网络。这里的关键优势是什么时候处理基于内容的推荐。在网上建模用户/项目时，是不可避免出现许多模态数据。例如，在处理文本数据时图像数据（社交帖子，产品图像），CNN / RNN能成为不可或缺的神经构建块。这里，传统的替代方案（设计模态特定的特征等）变得显着不那么大因此，推荐系统不能利用联合（端到端）表示学习。在从某种意义上说，推荐系统领域的发展也与先进的研究紧密结合。比如在语言社区要处理评论，就必须这样做执行昂贵的预处理（关键短语提取，主题建模等），同时更新的基于深度学习方法能够端到端地提取所有文本信息。总而言之，深度学习的能力在这方面可以被视为范式，如果文本和交互的能力，没有这些最近的进展，就会在预处理上出现问题，可见单一联合框架是不可能的。如果是仅与交互有关这里的想法是，当存在巨大的复杂性或存在时，深度神经网络就会受到影响大量的培训实例。其中，使用MLP来近似交互函数并且与MF等传统方法想比表现出了合理的性能提升。而这些我们还注意到，BPR，MF和CML等标准机器学习模型是众所周知的，当基于动量的梯度下降训练仅在交互数据上时，表现相当好。但是，我们也可以将这些模型视为神经架构，因为它们利用了它们最近的深度学习进展，如批量标准化。很容易看出，传统的推荐算法（矩阵分解，分解机器等）都应用到了上述神经架构，而神经网络作为人工智能中的一个重要分支，模拟人的智能与思维，也是人工智能的终极性目标。它之所以能模拟人的智能，是因为神经网络这一概念本来就取决与生物学，人类大脑中的一个组成部分。而过去几十年间，它没有发挥相对较好的功能的原因主要是由于机器的限制与数据的缺乏，但现在伴随着大数据时代的到来，我们有着越来越多的数据，越来越精准的算法，越来越快速的计算能力，所以也使神经网络的功能越加强大，更加接近人的大脑，最终实现真正的智能化工作。

本文研究了当前的神经网络结构的搭建方法，并利用python中的tensorflow平台构建学习系统模型，通过这类设计与环境搭建能让我们更快的对这类知识有一定的理解与掌握。

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：