图像分类深度学习

Question

阅读了一些关于深度学习和深度信念网络的论文后，我对它的工作原理有了一个基本概念。但仍然坚持最后一步，即分类步骤。 我在互联网上发现的大多数实现都与世代相同。 （MNIST数字）

是否有一些解释（或代码）可用的地方谈论使用DBN分类图像（最好是自然图像或对象）？

另外一些方向上的指针将会非常有帮助。

Answer 1

您应该在您用于生成的网络顶部使用softmax图层（http://en.wikipedia.org/wiki/Softmax_activation_function），并使用反向传播来微调最终网络。

Answer 2

基本思想

这些天，对图像分类问题的状态的最先进的深度学习（例如ImageNet）通常是“深卷积神经网络”（深ConvNets）。他们看起来大致是这样的ConvNet配置由Krizhevsky et al：

对于推理（分类），你喂的图像到左侧（请注意，在左侧的深度为3，对于RGB），紧缩通过一系列卷积滤波器，并在右侧吐出一个1000维向量。这张图片特别针对ImageNet，它专注于对1000种图像进行分类，因此1000d矢量“是该图像适合该类别的可能性的得分。”

训练神经网络只是稍微复杂一点。对于训练，你基本上是反复运行分类，并且每经常进行一次反向传播（参见Andrew Ng的讲座）以改进网络中的卷积滤波器。基本上，反向传播问“网络分类正确/错误的分类是什么？对于错误分类的东西，让我们稍微修复一下网络。”

---

实施

Caffe深卷积神经网络的速度非常快的开源实现（快于cuda-convnet从Krizhevsky等）。 Caffe代码很容易阅读;基本上每种网络层都有一个C++文件（例如卷积层，最大池层等）。

Answer 3

现在人们开始在分类层中使用SVM。

深度学习是非常自由和广泛的发展。