基于Python的CNN模型设计 毕业论文+代码

---

目录一、 CNN 模型原理 1CNN 模型 11. 什么是 CNN 22. 为什么要用 CNN 23. CNN 的内在原理 2a) 以人的神经系统识别陌生人脸为引。 2b) 卷积层的作用 3c) padding 的作用 3d) 池化层的作用 4二、 网络结构图 5三、 创新点 7四、 结果分析 7a) 有无 Batch Normalization[1] 7b) 使用不同 batch size 9c) 使用不同的优化器 10𝑡 11𝜏=1 11d) 使用残差网络[4] 13e) 多尺度检测 14f) 仿 FPN 的多尺度特征图融合、多尺度特征图预测 15数据预处理 17实验分析及思路 17实验基本原理 18遗忘门 20输入门 20Cell state（单元状态流） 20均方误差（MSE） 22结果分析 23调整batch_size大小 241. 随着数据集的海量增长和内存限制，一次性载入所有的数据进来变得越来越不可行 242. 训练速度太慢，没办法查看更新过程loss下降变化和参数的变化 24模型的改进与创新 27组员分工 32参考文献 32一、 CNN 模型原理CNN 模型1.什么是 CNN在数字图像处理中有一个称为“边缘检测”的技术，它用到了信号的卷积操作，使用 Sobel 算子和原图像做卷积，得到的结果就是反映原图像的边界的。 受该启发，我们可以通过设计特定的卷积核，让它跟图像做卷积，就可以识别出图像中的某些特征。我们的 CNN 主要就是通过一个个的卷积核，不断地提取特征，从局部的特征到总体的特征，从而实现图像识别等功能。而我们应该怎样去设计卷积核呢？这在数字图像处理中也是一个难题，不同的卷积核就会提取到不同的特征，而我们可能不知道应该提取哪些特征。但是结合了神经网络以后，我们就不用去考虑卷积核如何设计了，因为各个卷积核的参数都是通过神经网络自己学习得到的，这就是 CNN 的思想。CNN 一般包含卷积层、池化层和全连接层，下面会给出解释。2.为什么要用 CNN权值共享。考虑32 × 32 × 3的一张 RGB 图像，即输入层有32 ∗ 32 ∗ 3 = 3072维，若隐藏层与输入层的维数一样，则输入层到隐藏层的全连接参数个数为 3072 ∗ 3072 = 9,437,184维，数目非常大，难以训练。假设使用卷积后隐藏层的每个神经元只和输入层的 5×5 个像素相连，则参数个数变为3072 ∗ 25 = 76,800， 对比全连接的情况大大减少了参数个数，易于训练。局部连接。局部连接使网络可以提取数据的局部特征，再结合池化操作实现了数据的降维，将低层次的局部特征组合成为较高层次的特征。最后再通过全连接层把卷积网络提取到的所有局部特征综合起来，得到一个全局的特征，则该全局特征既考虑了图像的各个局部细节，又考虑了图像的整体轮廓，所以有很好的识别效果。