基于CNN的中国绘画图像分类

提出了一种基于卷积神经网络CNN的中国绘画图像分类方法.首先针对过拟合问题,提出了一种改进的合成少数类过采样技术SMOTE扩增数据,然后将扩增后的数据直接输入到CNN中,经过隐藏层的卷积和亚采样,并采用校正线性单元ReLu、S形生长曲线Sigmoid替代传统的Sigmoid激活函数,提取的数据能更好地表示其特征.实验结果表明,与传统分类方法相比,新提出的方法在中国绘画图像分类上具有良好的分类能力.

深度学习中三种常用激活函数的性能对比研究

以目前神经网络研究领域应用比较广泛的Sigmoid函数、双曲正切函数以及校正激活函数为研究对象,通过谷歌发布的机器学习平台Tensorflow中的神经网络可视化实验操作平台Playground,在给定网络拓扑结构的情况下,对三种激活函数的性能展开对比研究。分别在调整学习率与网络深度的情况下观察基于上述三种激活函数的神经网络的分类效果。通过分析实验结果,探讨三种激活函数的应用场景,并对深度神经网络中激活函数的选择方式给出建议。