人工智能第七次实验报告
卷积神经网络分类MNIST数据集
目录
人工智能第七次实验报告	
卷积神经网络分类MNIST数据集	
一	、问题背景	
1.1 卷积和卷积核	
1.2 卷积神经网络简介	
1.3 卷积神经网络的细节讨论	
二	、实现说明	
2.1 构建神经网络模型	
1. 为输入输出分配占位符	
2. 构建卷积层和池化层	
3. 构建全连接层	
4. 动态调整网络参数	
2.2 运行模型	
三	、程序测试	
3.1 运行说明	
3.2 运行输出	
3.3 对比BP神经网络	
四	、实验总结	
一	、问题背景	
1.1 卷积和卷积核
在泛函分析中，卷积（Convolution）是通过两个函数生成新函数一种数学算子的卷积的数学公式    如下，表征两个函数经过翻转和平移后重叠部分函数值乘积对重叠长度的积分。它的数学公式如下：




在图像处理中，卷积运算是一种用邻域像素点以一定的权重去重新定义该点的值的一种运算，卷积 核实际上提供了一个权重模板，对图像使用一个卷积核进行卷积运算，实际上是一个滤波的过程，每一 个卷积核都可以作为一个特征提取工具，提取出图像的一些特征。
函数  可以理解为原图像，    为卷积核，卷积核上所有作用点依次作用于原始像素点阵后，线性叠加的输出结果（内积），即是最终卷积的输出。卷积运算如下图所示：




用卷积核矩阵在输入矩阵上从左到右、从上到下滑动，每次滑动 个像素，滑动的距离	称为步
幅。
通过卷积，可以实现图像的锐化和边缘检测，这些识别到的特征可以作为有用的信息，用于分类、
识别上。
1.2 卷积神经网络简介
卷积神经网络（CNN，Convolutional Neural  Network）是一个多层的神经网络，每层由多个二维平面组成，每个平面由多个独立神经元组成。卷积神经网络中C层和S层，C层为特征提取层，也称为卷    积层，是卷积神经网络的核心，S层位特征映射层，也称为下采样层。