卷积神经网络及应用.ppt

《卷积神经网络及应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、卷积神经网络研究及其应用015034910079王颜1目录一、研究现状二、神经网络与卷积神经网络三、卷积神经网络应用四、总结与展望2CNN的发展及研究现状神经网络是神经科学与计算机科学结合的产物。神经网络的研究几经起落，直到2006年，深度学习提出，深度神经网研究兴起。Hubel和wiesel通过对猫的视觉系统的实验，提出了感受野的概念。基于视觉神经感受野的理论，有学者提出CNN。一、研究现状3CNN的发展及研究现状深度学习在语音识别、图像识别等领域摧枯拉朽。一、研究现状4国际会议、期刊等涌现大量深度学习的文章，CNN被引入很多领域。知名高

2、科技公司都在深度学习领域加大投入。神经网络起源二、神经网络与卷积神经网络5神经网络-训练过程二、神经网络与卷积神经网络6神经网络-训练理念（梯度下降）各变量满足如下公式：求vjk的梯度：求wij的梯度：二、神经网络与卷积神经网络7BP算法的规律二、神经网络与卷积神经网络8卷积神经网络卷积神经网络是神经网络的一种变形卷积神经网络与神经网络的主要区别就是CNN采用了卷积和子采样过程。神经生物学中局部感受野的提出（1962）催生了卷积的思想。卷积减少了CNN网络参数，子采样减少了网络参数，权值共享大大减少的CNN网络参数。但是CNN具备深层结构。

3、二、神经网络与卷积神经网络9局部感受野二、神经网络与卷积神经网络10卷积神经网络的一般结构11二、神经网络与卷积神经网络卷积卷积核kernal在inputX图中从左向右，从上至下每次移动一个位置,对应位置相乘求和并赋值到OutputY中的一个位置。二、神经网络与卷积神经网络12子采样（pooling）子采样通常有两种形式。均值子采样和最大值子采样，子采样可以看做一种特殊的卷积过程。二、神经网络与卷积神经网络13前向卷积过程二、神经网络与卷积神经网络14二、神经网络与卷积神经网络15编码实现CNN我们采用了6w张手写数字图片作为训练集，用1w

4、手写数字图片作为测试集。经过100次迭代，在训练集上得到99.51%的准确率，在测试集上得到98.8%的准确率。三、卷积神经网络应用16CNN特征选取本文的CNN模型的输入是语音的频谱特征17本文CNN网络结构描述1819202122展望由于采用使用的训练数据较少，CNN尝试的网络结构及参数也少，我们还有很大的模型的调优空间。未来CNN还可以尝试使用更深层的网络结构，使用更好的语音特征。由于深度网络对数据描述的能力更强,我们预测增加训练数据并经合理的训练可以达到更好的结果。四、总结与展望23ThankYou!24