摘要：目前，卷积神经网络模型之所以能够在计算机视觉领域很多应用中均获得令人瞩目的成就，主要是因为大规模的训练数据样本及多层的网络神经结构。但是只看一堆训练出来的数据我们很难理解神经网络模型到底在计算过程中学到了什么。本文利用深度学习中卷积神经网络验证卷积神经网络的实际应用，并可视化了经典卷积神经网络模型。自2014年来，层数更多的卷积神经网络使得这一模型的性能大大提升，其在图像识别这一部分的应用的准确率也提升较大。不同层次的网络可以提取出不同级别的特征，因此对于图像识别任务而言，神经网络的深度至关重要。然而更深的网络意味着更多的参数，使得网络收敛的更慢且易于过拟合。如果只是简单的给神经网络堆叠更多的层，只会导致网络训练误差不断提高。 

虽然卷积神经网络在图像识别领域中取得很大的突破，但其神经网络模型对图像识别的效果和效率有较大的影响。为了改善识别性能，减少训练时间，降低对硬件的要求，可以通过重复使用较小卷积核来减少系统所需要的参数，或者设计并实现一种新的卷积神经网络模型结构，有效地减少训练参数的数量，并能够提高识别的准确率。

关键词 深度学习；卷积神经网络模型；图像识别

目录

摘要

Abstract

1 绪论-1

1.1研究背景与意义-1

1.2国内外研究综述-1

1.3研究内容和方法-2

2深度学习中的典型模型-4

2.2 卷积神经网络模型-5

2.1.1神经元-5

2.1.2特征面-6

2.1.3输入层-6

2.1.4卷积层-6

2.1.5池化层-7

2.1.6全连接层和输出层-7

2.1.7卷积神经网络的优势-7

2.2堆叠自动编码器-8

2.3深信度网络-8

3深度学习的实际应用-10

3.1 LeNet5结构在手写字体识别中的应用-10

3.2基于卷积神经网络的人脸识别—google的FaceNet-13

3.3卷积神经网络的其他应用-14

4关于深度学习模型的展望和面临的挑战-15

4.1深度学习模型的展望-15

4.2深度学习模型面临的挑战-15

结论-17

致谢-18

参考文献-19