基于卷积神经网络的图像分类

深度学习(Deep learning, DL)是机器学习(Machine Learning, ML)的一个崭新的领域,它的目的就是让机器学习更加接近其终极目标-人工智能。卷积神经网络是深度学习算法中的一种,具有结构简单、适应性强、训练参数少而连接多等特点,近年来被广泛应用在图像处理和模式识别等领域。Dropout是一种训练神经网络的思路,通过随机地将隐藏层的部分神经元的输出值归零而阻碍特征间的共生作用,降低了神经网络模型的测试误差,进而提高了神经网络模型泛化能力。支持向量机是一个分类算法,通过结构风险最小化理论提高模型的泛化能力。Caffe是一个开源的深度学习框架,具有执行速度快和模块清晰等特点。本文提出了一个卷积神经网络模型MNIST-Net,在模型的最后一层采用Hinge Loss取代传统的Soft-Max回归进行分类,在未使用Dropout'清况下将MNIST测试集的峰点准确率从99.05%提高到99.36%,平均峰点准确率从98.964%提高到99.278%；在使用Dropout的情况下将峰点准确率从99.14%提高到99.39%,平均峰点准确率从99.024%提高到99.321%。