基于tensorflow的图像识别

《基于tensorflow的图像识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、研究生课程论文封面课程名称：机器学习论文题0:基于TensoriFlow的图像识别学牛班级：1703学生学号；201713907111学生姓名：胡靖任课教师：张晓龙学位类别：硕士评分标准及分值选题与参阅资料（分值）论文内容（分值）论文表述（分值）创新性（分值）评分注：任课教师可根据需要对评分标准进行调整论文评语：总评分评阅教师：鑒警口注：此表为每个学生的论文封面，请任课教师填写分项分值基于TensorFlow的图像识别胡靖武汉科技大学计算机学院摘要:TensorFlow是谷歌的第二代开源的人工智能学习系统，是用来实现神经网络的内置框架学习软件库。目前，TensorFlow

2、机器学习已经成为了一个研究热点。由基本的机器学习算法入手，简析机器学习算法与TensorFlow框架，并通过在Linux系统下搭建环境，进行图像分类识别，从而实现TensorFlow的学习与应用关键词：TensorFlow；卷积神经网络；图像识别；Abstract：TensorFlowisGoogle'ssecond・generationopensourceartificialintelligencelearningsystem,isusedtoimplementneuralnetworkbuilt-inframeworklearningsoftwarelibrary・A

3、tpresent,TensorFlowmachinelearninghasbecomeahotresearchtopic.Startingfromthebasicmachinelearningalgorithm,thepaperanalyzesthemachinelearningalgorithmandTensorFlowframework,andthroughthebuildenvironmentinLinuxsystem,carriesontheimageclassificationrecognition,inordertorealizetheTensorFlowle

4、arningandtheapplicationKeywords：TensorFlow；CNN；imageclassification；弓I言口机器学习是一门多领域交叉的学科，能够实现计算机模拟或者实现人类的学习行为，重构自己的知识结构从而改善自身的性能oTensorFlow是谷歌的第二代人工智能学习系统，是用来制作DeepMind的一个开源深度学习系统。木次实验的inception模型主要运用了CNN卷积神经网络，下面主要就CNN卷积神经网络和inception模型做一个简单的介绍：CNN卷积神经网络：卷积神经网络是近年发展起來，并引起广泛重视的一种高效识别方法。20世纪

5、60年代，Hubei和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元吋发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(ConvolutionalNeuralNetworks-fni称CNN)。现在,CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其屮,具有代表性的研究成果是Alexander和Taylor提

6、出的“改进认知机"，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求

7、局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。CNN主要用來识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN吋，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以