亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下的深度學(xué)習(xí)算法與應(yīng)用

        2017-10-09 20:20:54陳思哲
        科技傳播 2017年18期
        關(guān)鍵詞:模式識(shí)別卷積神經(jīng)網(wǎng)絡(luò)

        陳思哲

        摘 要 作為機(jī)器學(xué)習(xí)算法當(dāng)中具有極高復(fù)雜程度的算法之一,深度學(xué)習(xí)算法具有強(qiáng)大的分析和學(xué)習(xí)能力,帶有強(qiáng)烈的智能化色彩。而通過將其與卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行充分融合,可以有效增強(qiáng)多層感知器的數(shù)據(jù)分析、圖像處理等能力,對(duì)人們分析處理各種數(shù)據(jù)具有十分重要的幫助作用。因此,本文將在簡單介紹卷積神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法基礎(chǔ)之上,對(duì)其實(shí)際應(yīng)用進(jìn)行簡要分析研究。

        關(guān)鍵詞 卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)算法;模式識(shí)別

        中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708(2017)195-0059-02

        經(jīng)過長期的發(fā)展,機(jī)器學(xué)習(xí)已經(jīng)拓展至了深度學(xué)習(xí)這一全新的領(lǐng)域。深度學(xué)習(xí)通過堆疊眾多層,并將每一層的輸出作為下一層的輸入,可以有效實(shí)現(xiàn)分級(jí)表達(dá)輸入信息的目的,進(jìn)而大大方便人們對(duì)信息數(shù)據(jù)的識(shí)別和分析處理。而在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下,深度學(xué)習(xí)算法可以使得卷積層對(duì)輸入的圖像進(jìn)行卷積的基礎(chǔ)之上完成特征信息的分級(jí)表達(dá),從而使得模式識(shí)別更加簡易、

        精確。

        基于此,本文將著重圍繞卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下的深度學(xué)習(xí)算法及應(yīng)用進(jìn)行探究。

        1 卷積神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法

        1.1 卷積神經(jīng)網(wǎng)絡(luò)

        卷積神經(jīng)網(wǎng)絡(luò)雖然歸屬于神經(jīng)網(wǎng)絡(luò)范疇,但其具有多層監(jiān)督學(xué)習(xí)的特性,并且主要由特征采樣層和特征提取層,也就是卷積層共同組合

        而成。

        其中每一層都由若干二維平面構(gòu)成,而每一個(gè)二維平面都由若干獨(dú)立神經(jīng)元組成。特征采樣層在完成樣本局部特征提取之后,明確局部特征的具體位置以及彼此之間的關(guān)系,此后由卷積層采用梯度下降法控制損失函數(shù),使之降至最小,而后通過利用網(wǎng)絡(luò)權(quán)重參數(shù),對(duì)卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中的每一層進(jìn)行反向調(diào)節(jié)。在反復(fù)迭代訓(xùn)練之下,有效保障卷積神經(jīng)網(wǎng)絡(luò)的高精

        確度[1]。

        1.2 深度學(xué)習(xí)算法

        假設(shè)在L系統(tǒng)當(dāng)中總共擁有n層,第一層為L1、第二層為L2,以此類推直至第n層Ln。輸入和輸出分別為I與O,則。在輸出與輸入即I和O相等的條件下,系統(tǒng)L在輸入L的整個(gè)過程中信息完好無損,則表示在系統(tǒng)L中的任何一層當(dāng)中,輸入I都存在另一種表示,則此時(shí)我們將自動(dòng)獲得與輸入I相對(duì)應(yīng)的各種層次特征。簡單來說,深度學(xué)習(xí)就是通過借鑒機(jī)器學(xué)習(xí)的算法,利用多層堆疊的方式使得這一層輸出可以作為下一層的輸入,從而分級(jí)表達(dá)輸入的

        信息。

        1.3 稀疏連接

        與其他神經(jīng)網(wǎng)絡(luò)不同的是,在卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中相鄰兩層之間的所有神經(jīng)元節(jié)點(diǎn)并非相互連接。在充分利用卷積層之間的局部空間之后,層與層之間的神經(jīng)元節(jié)點(diǎn)將形成局部連接的情況。而此時(shí)如果將m-1層設(shè)置為輸入層,則在卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中,m層神經(jīng)元節(jié)點(diǎn)和與之相鄰的其他節(jié)點(diǎn)(通常為3個(gè))之間可以形成有效連接,此時(shí)神經(jīng)網(wǎng)絡(luò)架構(gòu)的參數(shù)規(guī)模將得到有效

        控制。

        1.4 權(quán)重共享

        處于卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中的每一種卷積濾波器,都會(huì)在卷積層當(dāng)中重復(fù)作用與感受,也就是實(shí)時(shí)卷積輸入的圖像和數(shù)據(jù)信息,并由此自動(dòng)生成卷積結(jié)果,得到與輸入圖像相對(duì)應(yīng)的特征圖。此時(shí)卷積神經(jīng)網(wǎng)絡(luò)中的特征提取層將逐一提取特征,而相同的參數(shù)則會(huì)通過卷積濾波器進(jìn)行共享。一般在m層特征圖像當(dāng)中國會(huì)有3個(gè)神經(jīng)元,負(fù)責(zé)共享各連接線間的權(quán)重

        參數(shù)[2]。

        2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下深度學(xué)習(xí)算法的實(shí)際應(yīng)用

        2.1 處理自然語言

        卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下的深度學(xué)習(xí)算法目前已經(jīng)被廣泛運(yùn)用在處理自然語言方面。在該算法尚未出現(xiàn)之前,處理自然語言一直使用的是統(tǒng)計(jì)模型,該模型雖然能夠基本完成自然語言的處理,但其處理效率和處理精確性一直處于較低的水準(zhǔn)。隨著人們對(duì)神經(jīng)網(wǎng)絡(luò)研究的不斷深入,在卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)后,人們發(fā)現(xiàn)其在處理自然語言方面具有較大的優(yōu)勢(shì)作用。美國的NEC研究院作為世界上最早研究卷積神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法的機(jī)構(gòu),在十年前首次嘗試運(yùn)用深度學(xué)習(xí)算法處理自然語言。其通過利用卷積神經(jīng)網(wǎng)絡(luò)的多層一維卷積結(jié)構(gòu),在一維矢量空間當(dāng)中實(shí)現(xiàn)詞匯的一一映射,能夠有效完成包括標(biāo)注詞性和語義角色等在內(nèi)的眾多自然語言問題,同時(shí)在算法的運(yùn)用之下,原本一長串的字符字串被分成若干短小的詞匯,從而有效提高的自然語言的處理精

        確性。

        2.2 圖像識(shí)別

        卷積神經(jīng)網(wǎng)絡(luò)作為深度神經(jīng)網(wǎng)絡(luò)模型的一種,其通過不斷訓(xùn)練下形成的兩個(gè)非線性卷積層和牢牢固定的兩個(gè)子采樣層構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),模擬出位于動(dòng)物視覺皮層當(dāng)中或復(fù)雜或簡單的細(xì)胞,從而完成圖像識(shí)別的讀取。但由于自然圖像往往存在像素較大的情況,因此卷積神經(jīng)網(wǎng)絡(luò)很難在短時(shí)間內(nèi)充分理解自然圖像的內(nèi)容,進(jìn)而影響導(dǎo)致最終的圖像識(shí)別

        效果。

        隨后研究人員通過改變卷積神經(jīng)網(wǎng)絡(luò)的算法,在網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)之上運(yùn)用深度學(xué)習(xí)算法并建立起深度神經(jīng)網(wǎng)絡(luò),并將權(quán)重衰減的理念運(yùn)用在網(wǎng)絡(luò)訓(xùn)練中,以有效減小權(quán)重幅度。配合現(xiàn)代化的電子計(jì)算機(jī),使得樣本的擬合速度得到明顯提升,圖像特征數(shù)據(jù)的提取和識(shí)別也變得越來越

        高效。

        目前在支付寶當(dāng)中推出的人臉識(shí)別付款功能便是運(yùn)用了卷積神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法,此外該算法還在車輛監(jiān)控等方面得到廣泛運(yùn)用,工作人員通過運(yùn)用算法識(shí)別不同圖像中的車輛特征如位置、狀態(tài)等可以有效監(jiān)控車輛

        行蹤[3]。

        2.3 語音識(shí)別

        現(xiàn)階段百度公司已經(jīng)成功將卷積神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法運(yùn)用在了語音識(shí)別當(dāng)中。該公司搭建起的九層深度神經(jīng)網(wǎng)絡(luò)架構(gòu),在深度學(xué)習(xí)算法下可以分級(jí)描述出每一層特征狀態(tài)空間的分布,工作人員通過調(diào)整輸入和輸出使之保持相等,即可有效明確特征的具體位置,以此相互之間的相關(guān)性。在輸入原始的語音樣本之后,直接運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下的深度學(xué)習(xí)算法,構(gòu)建起深度神經(jīng)網(wǎng)絡(luò)架構(gòu),將反復(fù)對(duì)語音樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練,此時(shí)其將根據(jù)提取的語音樣本特征對(duì)目標(biāo)語音進(jìn)行識(shí)別判斷,這對(duì)于從大量的語料數(shù)據(jù)中迅速、精準(zhǔn)地提取有效信息具有十分重要的幫助

        作用。

        3 結(jié)論

        總而言之,深度學(xué)習(xí)算法通過對(duì)機(jī)器學(xué)習(xí)進(jìn)行進(jìn)一步發(fā)展,使得計(jì)算機(jī)可以在海量的信息數(shù)據(jù)中深度學(xué)習(xí)具有潛在特征與規(guī)律的信息,進(jìn)而有效完成模式和樣本的智能

        識(shí)別。

        在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下,深度學(xué)習(xí)算法目前已經(jīng)被廣泛應(yīng)用在了自然語言的處理以及圖像、語音的識(shí)別等眾多領(lǐng)域當(dāng)中,且已經(jīng)取得了一定的應(yīng)用效果。相信隨著人們對(duì)深度學(xué)習(xí)算法研究的不斷深入,未來其應(yīng)用范圍還將得到進(jìn)一步拓寬,可以被靈活運(yùn)用至各個(gè)領(lǐng)域當(dāng)中,更好地幫助人們完成信息數(shù)據(jù)的識(shí)別和分析處理

        工作。

        參考文獻(xiàn)

        [1]盧宏濤,張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理,2016,31(1):1-17.

        [2]騫宇澄,劉昭策.深度學(xué)習(xí)的實(shí)現(xiàn)與發(fā)展——從神經(jīng)網(wǎng)絡(luò)到機(jī)器學(xué)習(xí)[J].電子技術(shù)與軟件工程,2017(11):

        30-31.

        [3]何克磊,史穎歡,高陽,等.一種基于原型學(xué)習(xí)的多示例卷積神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)學(xué)報(bào),2017,40(6):1265-1274.endprint

        猜你喜歡
        模式識(shí)別卷積神經(jīng)網(wǎng)絡(luò)
        紫地榆HPLC指紋圖譜建立及模式識(shí)別
        中成藥(2018年2期)2018-05-09 07:19:52
        淺談模式識(shí)別在圖像識(shí)別中的應(yīng)用
        基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
        第四屆亞洲模式識(shí)別會(huì)議
        基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
        深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
        基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
        軟件工程(2016年8期)2016-10-25 15:47:34
        基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究
        可拓模式識(shí)別算法中經(jīng)典域的確定方法
        第3屆亞洲模式識(shí)別會(huì)議
        免费看av网站在线亚洲| 欧美黄色免费看| 午夜福利不卡无码视频| 国产影片免费一级内射| 亚洲av无码偷拍在线观看| 饥渴的熟妇张开腿呻吟视频| 91精彩视频在线观看| 日本一区二区三区在线视频观看| 国产农村妇女精品一区| 亚洲成a v人片在线观看| 国产免费一区二区三区最新不卡| 亚洲av第二区国产精品| 国产成人综合久久久久久| 久青草久青草视频在线观看| 91超碰在线观看免费| 97人妻中文字幕总站| 亚洲熟妇色自偷自拍另类| 无码h黄动漫在线播放网站| 一区二区无码精油按摩| 成人自拍一二在线观看| 色综合视频一区中文字幕| 国产精品久久无码不卡黑寡妇| 亚洲精品在线一区二区三区| 国产大屁股视频免费区| 男人边吃奶边做好爽免费视频| 亚洲无码激情视频在线观看| 被灌醉的日本人妻中文字幕| 国产在线观看无码免费视频| AV无码中文字幕不卡一二三区| 久久99免费精品国产| 看久久久久久a级毛片| 久久精品国产一区二区电影| 日韩av在线不卡一二三区| 日韩无码专区| 精品国产三级a∨在线观看| 亚洲乱精品中文字字幕| 国产人妻熟女呻吟在线观看| 精品少妇人妻av一区二区| 精品91精品91精品国产片| 一区二区三区中文字幕在线播放| 亚洲色国产欧美日韩|