基于卷积神经网络使用不同隐藏层与训练轮数对手写数字识别准确率变化的研究与观测
计算机视觉与模式识别
2019-02-06 v3 机器学习
神经与进化计算
机器学习
摘要
如今，深度学习可应用于包括医学、工程等广泛领域。在深度学习中，Convolutional Neural Network (CNN) 被广泛用于模式与序列识别、视频分析、自然语言处理、垃圾邮件检测、主题分类、回归分析、语音识别、图像分类、目标检测、分割、人脸识别、机器人与控制。其在大规模应用中接近人类水平的准确率优势，使得 CNN 近年来被日益接受。本文的主要贡献是分析 CNN 隐藏层结构对网络整体性能的影响。为展示这一影响，我们在 Modified National Institute of Standards and Technology (MNIST) 数据集上应用了具有不同层的神经网络。另一目的是观测网络在不同隐藏层数与训练轮数（epochs）下准确率的变化，并对其进行对比。系统采用随机梯度与反向传播算法训练，并使用前馈算法测试。
引用
@article{arxiv.1809.06187,
title = {Study and Observation of the Variations of Accuracies for Handwritten Digits Recognition with Various Hidden Layers and Epochs using Convolutional Neural Network},
author = {Rezoana Bente Arif and Md. Abu Bakr Siddique and Mohammad Mahmudur Rahman Khan and Mahjabin Rahman Oishe},
journal= {arXiv preprint arXiv:1809.06187},
year = {2019}
}
备注
To be published in the 4th IEEE International Conference on Electrical Engineering and Information & Communication Technology (iCEEiCT 2018)