深度學習技術分析綜述目錄TOC\o"1-3"\h\u281深度學習技術分析綜述 125641.1深度學習概念 19561.2卷積神經網絡 2226821.3Tensorflow框架 31.1深度學習概念深度學習是機器學習的一種，其中人工神經網絡應用的更多。深度學習模型一般是一個5層以上的結構，在這個統計模型中，低層概念決定高層，不同的層有不同等級的概念。它的本質是使用多個層次逐步從原始的輸入信息中獲取更高層次的特征，再將輸出信息傳遞給更高層次。在圖像處理領域中，原始輸入信息可以是像素矩陣，第一代表層可以獲取像素接著編碼邊緣信息；第二層較低層可以識別邊緣輪廓信息，較高層可以識別數字或面部等信息。與傳統圖像相比，深度學習的應用需要在訓練方面投入大量時間，但可以通過這些時間，增強算法的可靠性，提高了處理速度。深度學習的源頭是人工神經網絡（ANN）。它由神經元激活函數、不同的神經元相互連接的方式和網絡的學習方式這三要素組成，下圖表示了經典的人工神經網絡結構，包括輸入層（即網絡的第一層）、隱藏層（是處理信號的第二層，對輸入的數據進行處理，傳遞到下一層）、輸出層（即網絡的最后一層）。圖2-4是人工神經網絡的結構圖。圖2-4人工神經網絡結構圖和我們的大腦一樣，非線性神經元是神經網絡的基礎結構，每層都有許多神經元，上層的神經元與下層的神經元的連接方式是激活函數，每個神經元都有其重要的程度值，最后輸出分類結果。一個神經元把信號當做神經元的輸入，通過運算，輸出結果，得到的結果會成為下一個神經元的輸入，或者成為最終的輸出。神經元的激活函數可以表示為：（2-13）根據不同的情況，有sigmoid、Relu—用于隱藏層神經元的輸出函數，還有Tanh等。人工神經網絡會更改每一層神經元經過優化處理得到的結果。1.2卷積神經網絡近年來，卷積神經網絡（CNN）是頻繁應用于圖像的分類和查找、人臉識別、定位等領域的方法。它的核心內容是對圖像像素分塊處理，這種處理方式增強了圖像信息的連貫程度。在卷積神經網絡中，卷積層的神經元只有一部分連接到上一層，這說明各神經元之間不是完全連接，而且，同一層中的一些神經元之間的連接的權重和偏移量是相同的，這大大減少了訓練參數的需要。卷積神經網絡的優勢是訓練參數少、結構簡單。卷積神經網絡的層次結構該卷積神經網絡中有一個輸入輸出層和好幾個隱藏層，可分為卷積層，池化層、回歸層和完全連通層REF_Ref1065\r\h[9]，如圖2-5所示：圖2-5卷積神經網絡層次結構輸入層：CNN的輸入為原始圖像。卷積層：CNN的關鍵，卷積層里有一組濾波器或內核。它們的感受野數值小，每個卷積核都有大量參數。從圖像的左上方連續做內積處理，以獲取圖片的高維特征。池化層：輸出后的conv特征映射到下一個采樣操作，如減少參數數目的好處，防止過度擬合等。激活層：選擇relu激活函數，它帶來非線性概念。最后得到的結果會傳送給relu函數。全連接層：輸入為一維向量，然后將池化層的輸出結果展平成一維向量，然后傳遞到全連接層中，最后在輸出層進行分類。輸出層：用于輸出結果。（2）卷積神經網絡的特點局部感知：即卷積核所擁有的像素空間，因為每個卷積核所籠罩的面積只有一小部分，是一個局部特征，所以是局部感知。權重共享：即卷積神經網絡的卷積層，神經元的權重值可以共同享用，所以減少了神經網絡的參數數量，訓練的性能也大大的改善了。降采樣：也被叫做池化。在訓練過程中，不需要處理圖像的每一個細節，所以池化的作用就是提取，減小訓練數據的數量。池化的意義是降低分辨率，避免過度擬合的情況出現。1.3Tensorflow框架Tensorflow是Geogle在2015年發布的機器學習平臺，是一個使用數據流圖，用于大規模分布式數值計算的深度學習框架REF_Ref2812\r\hREF_Ref2812\r\h[10]，主要用于機器學習和神經網絡方面的研究，因其運用靈活、計算速度快且擴展性好的特點，在圖像識別和神經網絡等領域收到了廣泛關注。Tensorflow支持各種平臺，多處理器、移動設備，可以進行跨平臺處理；Tensorflow結構通用，能支持很多網絡模型工作，性能很好，此外，Tensorflow結構可以高度擴展。基于Tensorflow的神經網絡：用張量來表示數據，用計算機圖來完成構建，用會話運行計算圖，然后優化權重值，最后得到模型，也就是先構建一個計算圖，然后根據計算圖運行會話，在會話中對變量賦值，然后計算，最