基于深度学习的数字识别方法研究.docx

苏州大学本科生毕业设计（论文）30目录摘要1Abstract2前言3第一章绪论41.1研究背景及意义41.2深度学习概述41.3本文的主要工作51.4本文的组织结构5第二章数字图像识别技术72.1图像识别技术72.2研究现状分析72.2.1基于神经网络82.2.2基于小波矩92.2.3基于分形特征92.3本章小结9第三章基于深度学习的数字识别方法103.1深层神经网络训练方法103.1.1线性感知器算法103.1.2卷积神经网络算法103.1.3循环神经网络算法133.1.4长短时记忆网络算法143.2Google第二代人工智能系统TensorFlow153.3手写数字数据库MNIST数据集163.4本章小结17第四章数字图像识别的实现与分析184.1实验环境介绍184.2基于Python对数字图像识别的实现184.2.1线性感知器算法实现184.2.2CNN算法实现194.2.3RNN算法实现204.2.4LSTM算法实现204.3TensorFlow对数字图像识别的实现214.3.1线性感知器算法实现214.3.2CNN算法实现224.3.3RNN算法实现234.3.4LSTM算法实现234.4两种实现方法的对比分析244.5本章小结25第五章总结与展望265.1本文总结265.2后续工作及展望26参考文献28致谢30摘要近年来，手写体数字识别是计算机视觉和模式识别中的一个广受关注的问题，引起了越来越多学者的兴趣。这个问题的主要挑战是设计一种有效的方法，可以识别用户通过数字设备提交的手写数字。虽然已有很多相关的研究成果，但是在数字识别这一领域始终不能达到完全使人满意的结果。目前，深度学习算法在计算机视觉中非常流行，被用于解决诸如图像分类、自然语言处理和语音识别等重要问题。本文以深度学习的几种常见算法，包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络为研究对象，分析了其在手写数字识别上的优缺点，并引入了Google第二代人工智能系统TensorFlow，进而对比了相同的算法在不同的框架下识别的速度以及准确率。结果表明，这几类深度学习算法都能够高效的识别数字图像，尤其是多层卷积神经网络算法和长短时记忆网络算法，在提高识别率方面有明显优势，且在训练数据集时不会损耗过多的计算资源。关键词：深度学习；手写数字识别；TensorFlowAbstractInrecentyears,handwrittendigitrecognitionisawidely-reviewedissueincomputervisionandpatternrecognition,whichhasattractedlotsofscholars'interest.Themainchallengeofthisproblemistodesignaneffectivemethodthatcanidentifyhandwrittendigitssubmittedbyusersthroughdigitaldevices.Althoughtherehavebeenmanyrelatedresearchresults,ithasnotbeenpossibletoachievecompletelysatisfactoryresultsinthefieldofdigitalidentification.Currently,deeplearningalgorithmsareverypopularincomputervisionandareusedtosolveimportantissuessuchasimageclassification,naturallanguageprocessingandspeechrecognition.Thisarticletakesseveralcommondeeplearningalgorithms,includinglinearperceptron,convolutionalneuralnetwork,recurrentneuralnetworkandshort-termmemorynetwork,astheresearchobject,analyzestheadvantagesanddisadvantagesofhandwritingrecognition,andintroducesGoogle’ssecondOnbehalfofartificialintelligencesystemTensorFlow,andthencomparedthesamealgorithmindifferentframeworkstoidentifythespeedandaccuracy.Theresultsshowthatthesetypesofdeeplea