鐘彩 彭春富 杜微 楊興耀

摘? ?要：針對(duì)深度研究的項(xiàng)目特點(diǎn)，文章對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究現(xiàn)狀進(jìn)行分析，總結(jié)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及優(yōu)化算法。旨在通過(guò)對(duì)這些內(nèi)容的分析，針對(duì)紅細(xì)胞圖像提取特征，設(shè)計(jì)群優(yōu)化算法的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以提高圖像檢測(cè)的科學(xué)性、準(zhǔn)確性，展現(xiàn)深度卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別算法技術(shù)的使用價(jià)值。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);識(shí)別算法;深度研究

在人工智能技術(shù)發(fā)展中，深度學(xué)習(xí)作為較為重要的內(nèi)容，改變了傳統(tǒng)識(shí)別技術(shù)的使用狀況，通過(guò)大數(shù)據(jù)資源的利用，展現(xiàn)深度學(xué)習(xí)模型中神經(jīng)網(wǎng)絡(luò)識(shí)別的價(jià)值。在圖像識(shí)別技術(shù)運(yùn)用中，其作為一種不同模式下的目標(biāo)、對(duì)象研究技術(shù)，主要是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行處理，提高數(shù)據(jù)分析的整體效果。在以往的特征提取技術(shù)運(yùn)用中，存在著一些局限性的問(wèn)題，通過(guò)與卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）模型的融合，可以在梯度下降方法使用中進(jìn)行各項(xiàng)數(shù)據(jù)參數(shù)的訓(xùn)練，并實(shí)現(xiàn)對(duì)圖像以及參數(shù)的分析，展現(xiàn)深度分析的價(jià)值。因此，在當(dāng)前人工智能技術(shù)中，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別算法，可以提高圖像識(shí)別的整體效果。

1? ? 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究現(xiàn)狀

卷積神經(jīng)網(wǎng)絡(luò)模型算法主要由多個(gè)卷積層、下采樣層和全連接層組成，每一次的輸出是對(duì)原始輸入的一組特征表示。其中在卷積層，通過(guò)一個(gè)卷積核對(duì)來(lái)自上一層的特征圖進(jìn)行卷積，然后通過(guò)一個(gè)激活函數(shù)得到卷積層的輸出特征圖，激活函數(shù)使用sigmoid函數(shù)。下采樣層將上一層的特征圖進(jìn)行下采樣加權(quán)和偏置得到該層的輸出特征圖[1]。

卷積神經(jīng)網(wǎng)絡(luò)主要采用局部感知區(qū)域、共享權(quán)值以及空間域上的降采樣，對(duì)位移、縮放等狀態(tài)進(jìn)行研究，該種分析方法具有穩(wěn)定不變的特點(diǎn)，研究中，針對(duì)細(xì)胞圖像特征值提取的項(xiàng)目特點(diǎn)，對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用方法進(jìn)行分析，由于在紅細(xì)胞定位過(guò)程中，可能有一些雜質(zhì)摻雜進(jìn)來(lái)，為了區(qū)別這些雜質(zhì)（本項(xiàng)目統(tǒng)稱為非紅細(xì)胞），需要對(duì)紅細(xì)胞進(jìn)行特征提取。

2? ? 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及優(yōu)化算法

2.1? 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)作為一種多層次神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)對(duì)圖像分類以及識(shí)別算法的運(yùn)用，逐漸形成了深度學(xué)習(xí)的模式，其作為前饋神經(jīng)網(wǎng)絡(luò)形式，可以充分滿足識(shí)別技術(shù)的使用需求。在卷積神經(jīng)網(wǎng)絡(luò)中，通過(guò)人體設(shè)計(jì)感受機(jī)理的分析，會(huì)提高識(shí)別技術(shù)的使用效率。例如，在人體神經(jīng)元系統(tǒng)中，神經(jīng)元感受視野是在視網(wǎng)膜的特定區(qū)域中形成的，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)才可以刺激神經(jīng)元活性，提高識(shí)別算法使用的整體效果。

卷積神經(jīng)網(wǎng)絡(luò)與普通神經(jīng)網(wǎng)絡(luò)存在區(qū)別，主要由卷基層、子采樣層構(gòu)成，在卷基層中，通過(guò)神經(jīng)元與部分鄰層神經(jīng)元的連接，可以形成同一特征的平面神經(jīng)元共享權(quán)值，提高識(shí)別計(jì)算的整體效果。卷積神經(jīng)網(wǎng)絡(luò)技術(shù)憑借自身優(yōu)勢(shì)被廣泛地運(yùn)用在語(yǔ)音識(shí)別、人臉識(shí)別、運(yùn)動(dòng)分析、自然語(yǔ)言處理以及腦電波分析等領(lǐng)域之中。

2.2? 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2.1? 卷積神經(jīng)層

在卷積操作中，其主要是將圖像以及濾波矩陣作為內(nèi)積，主要目的是通過(guò)稀疏連接、權(quán)值共享以及采樣等方法，得到某種程度的位移、初度及形變。在圖像處理中，需要在系統(tǒng)中輸入width×height區(qū)域的大小數(shù)據(jù)，之后按照固定權(quán)重的卷積核形成二維數(shù)據(jù)，具體操作中，需要與矩陣上對(duì)應(yīng)位置移動(dòng)狀態(tài)進(jìn)行分析，形成一種覆蓋性的圖像，直到矩陣移動(dòng)完成之后得到特征圖矩陣。在卷積神經(jīng)層中，卷積核越大，相關(guān)參數(shù)的處理效果越高，但是若遇到訓(xùn)練參數(shù)多、卷積核小的問(wèn)題，應(yīng)該保持訓(xùn)練參數(shù)的精確性，為多層數(shù)據(jù)的處理以及分析效果的強(qiáng)化提供參考[2]。

2.2.2? ReLU激勵(lì)層

對(duì)于規(guī)范性的ReLU激活函數(shù)，具體函數(shù)變化如圖1所示。具體的表達(dá)公式為（1），當(dāng)輸入x>0時(shí)，輸出值為x;若輸出的數(shù)值≤0，輸出的結(jié)果為0。

y={0，max（x）}? ? ?（1）

在紅細(xì)胞圖卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，通常會(huì)使用ReLU激勵(lì)函數(shù)代替sigmoid函數(shù)。在ReLU激勵(lì)層中，當(dāng)所輸入的數(shù)值x>0時(shí)，ReLU函數(shù)導(dǎo)數(shù)為恒定狀態(tài)，但是sigmoid函數(shù)不是恒定的。也就是說(shuō)，在ReLU函數(shù)中，可以避免其他函數(shù)兩端接近目標(biāo)的問(wèn)題，在導(dǎo)數(shù)變小的狀況下，會(huì)使訓(xùn)練神經(jīng)網(wǎng)絡(luò)出現(xiàn)反向傳播的現(xiàn)象。在ReLU函數(shù)分析中，該種方法可以實(shí)現(xiàn)數(shù)據(jù)獲取快、求梯速度簡(jiǎn)單。

2.2.3? 池化pool層

池化層作為空間下采樣層，一般會(huì)在卷基層之后，通過(guò)圖像卷積將polling小領(lǐng)域內(nèi)特點(diǎn)進(jìn)行整合，從而形成一種全新的特征。同時(shí)，pool層也被稱為降采樣層，該計(jì)算方法不僅可以達(dá)到降維的目的，而且也會(huì)降低卷基層的輸出維度，避免卷積輸出的誤差現(xiàn)象[3]。

2.3? 反向傳播梯度下降算法

在紅細(xì)胞神經(jīng)網(wǎng)絡(luò)參數(shù)計(jì)算中，通常會(huì)使用隨機(jī)梯度下降法，其核心目標(biāo)是掌握最優(yōu)化的權(quán)重參數(shù)（W，b），將損失函數(shù)值控制在最小的狀態(tài)。參數(shù)更新的關(guān)鍵是掌握損失函數(shù)對(duì)各項(xiàng)權(quán)重參數(shù)導(dǎo)致的分析，因此，在梯度下降法計(jì)算中，公式如（2—3）。

Wij（l）=W-αJ（W，b）? ? ?（2）

bi（l）=bi（l）-αJ（W，b）? ? ?（3）

公式中的α是學(xué)習(xí)速率;Wij（l）是第l+1層的第i個(gè)神經(jīng)元以及低l層的第j個(gè)神經(jīng)元相互連接的權(quán)重參數(shù);bi（l）是第l+1層的第i個(gè)神經(jīng)元的偏置項(xiàng)。

在實(shí)際訓(xùn)練的過(guò)程中，應(yīng)該對(duì)學(xué)習(xí)率進(jìn)行合理選擇。在反向傳播算法使用中，通過(guò)向前傳播計(jì)算，可以對(duì)每層網(wǎng)絡(luò)的激活數(shù)值進(jìn)行傳輸，之后按照每個(gè)層級(jí)的輸入節(jié)點(diǎn)，進(jìn)行殘差計(jì)算[4]。