TensorFlow平台下基于深度学习的数字识别

被引:12
作者
靳涛
张永爱
机构
[1] 福州大学物理与信息工程学院
基金
国家重点研发计划;
关键词
深度学习; 卷积神经网络; TensorFlow;
D O I
10.19358/j.issn.2096-5133.2018.04.017
中图分类号
TP18 [人工智能理论];
学科分类号
081104 ; 0812 ; 0835 ; 1405 ;
摘要
TensorFlow是谷歌开源的机器学习及深度学习框架,具有高度的灵活性,可以运行在多种平台上,如CPU、GPU以及移动设备,支持当前流行的深度学习模型。卷积神经网络具有多个处理层,能对图像的特征进行逐层抽象,相比于传统的图像识别方法具有良好的效果,对输入图像的旋转、扭曲、变形具有良好的鲁棒性,并且不用对图像进行预处理,简化了图像识别的步骤。在TensorFlow平台上,搭建了一个卷积神经网络模型,利用MNIST数据集对模型进行训练及测试,最终测试能达到99%的识别率。
引用
收藏
页码:74 / 78
页数:5
相关论文
共 5 条
[1]   一种移动式TensorFlow平台的卷积神经网络设计方法 [J].
李河伟 .
电脑知识与技术, 2017, 13 (22) :179-182
[2]   卷积神经网络研究综述 [J].
李彦冬 ;
郝宗波 ;
雷航 .
计算机应用, 2016, 36 (09) :2508-2515+2565
[3]   深度学习框架Caffe在图像分类中的应用 [J].
王茜 ;
张海仙 .
现代计算机(专业版), 2016, (05) :72-75+80
[4]   深度学习研究综述 [J].
尹宝才 ;
王文通 ;
王立春 .
北京工业大学学报, 2015, 41 (01) :48-59
[5]   深度学习的昨天、今天和明天 [J].
余凯 ;
贾磊 ;
陈雨强 ;
徐伟 .
计算机研究与发展, 2013, 50 (09) :1799-1804