1、卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類是深度學(xué)習(xí)關(guān)于圖像處理的一個應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是能夠直接與圖像像素進(jìn)行卷積，從圖像像素中提取圖像特征，這種處理方式更加接近人類大腦視覺系統(tǒng)的處理方式。另外，卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值共享屬性和pooling層使網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)大大減小，簡化了網(wǎng)絡(luò)模型，提高了訓(xùn)練的效率。
　　本論文主要圍繞卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)設(shè)計和參數(shù)優(yōu)化兩個方面進(jìn)行深入的研究。卷積神經(jīng)網(wǎng)絡(luò)分類性能的好壞很大程度決取于網(wǎng)絡(luò)層數(shù)和網(wǎng)絡(luò)參數(shù)，如何

2、合理地設(shè)計卷積神經(jīng)網(wǎng)絡(luò)的卷積層，隱含層的數(shù)目和優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)是卷積神經(jīng)網(wǎng)絡(luò)關(guān)于圖像分類應(yīng)用研究中非常重要的環(huán)節(jié)。
　　本論文主要在caffe框架平臺上進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計和參數(shù)優(yōu)化。首先設(shè)計了一個5層網(wǎng)絡(luò)層的淺層卷積神經(jīng)網(wǎng)絡(luò)，分別使用mnist手寫圖像庫和cifar-10圖像庫進(jìn)行訓(xùn)練，測試和參數(shù)優(yōu)化。測試結(jié)果表明淺層卷積神經(jīng)網(wǎng)絡(luò)能夠很好地處理像mnist簡單的圖像分類任務(wù)，但是對于比較復(fù)雜的cifar-10圖像

3、庫分類效果并不理想。接著設(shè)計了一個9層網(wǎng)絡(luò)層的復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)，分別使用了cifar-10和cifar-100圖像庫對復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，測試和參數(shù)優(yōu)化。測試結(jié)果表明復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)能夠處理像cifar-10、cifar-100比較復(fù)雜的圖像庫分類任務(wù)。5層淺層網(wǎng)絡(luò)和9層復(fù)雜網(wǎng)絡(luò)的實驗結(jié)果說明了網(wǎng)絡(luò)層的深度對網(wǎng)絡(luò)的性能影響很大。
　　本論文通過對網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)優(yōu)化的研究及在不同數(shù)據(jù)庫上的測試，分析總結(jié)了深度學(xué)習(xí)關(guān)于圖像分類的