[发明专利]一种基于SqueezeNet的手写体数字识别方法

权利要求书

1.一种基于SqueezeNet的手写体数字识别方法，其特征在于，包括以下步骤：

(1.1)预处理识别的手写体数字样本；

(1.2)构建并初始化SqueezeNet网络模型；

(1.3)利用构建好的SqueezeNet网络模型对手写体数字进行训练以及测试；

(1.4)得出识别结果。

2.根据权利要求1所述的一种基于SqueezeNet的手写体数字识别方法，其特征在于：所述的预处理识别的手写体数字样本，包括以下步骤：

(2.1)加载手写体数字的训练集、测试集以及标签值；

(2.2)对训练集、测试集进行归一化；

(2.3)将一维的样本数据重塑为28*28*1的三维矩阵样本数据。

3.根据权利要求1所述的一种基于SqueezeNet的手写体数字识别方法，其特征在于：所述的构建并初始化SqueezeNet卷积神经网络模型，包括以下步骤：

(3.1)初始化SqueezeNet的网络参数；

(3.2)定义SqueezeNet的网络模型。

4.根据权利要求3所述的一种基于SqueezeNet的手写体数字识别方法，其特征在于：所述的初始化SqueezeNet的网络参数，具体操作为：

(4.1)设置每次训练在手写体数字训练集中所取的样本个数(batch_size)的大小以及网络训练的轮数(nb_epoch)的次数，每次取batch_size个样本对网络进行训练；

(4.2)随机初始化网络的权值和偏置。

5.根据权利要求3所述的一种基于SqueezeNet的手写体数字识别方法，其特征在于：所述的定义SqueezeNet网络模型，包括以下步骤：

(5.1)两个卷积层定义在网络的第一层和最后一层，第一层为96个1*1大小的卷积核，各层的激活函数为“ReLU”，输入的手写体数字图片卷积后通过该激活函数f(x)得到关于手写体数字轮廓、端点等一系列特征的特征图x，其前向传播过程满足公式(1)；

其中表示网络层第l-1层的第i张特征图；表示第l层的第j张特征图与第l-1层的第i张特征图间的一个卷积核；表示第l层的偏置；M_j表示输入的特征图组合；则表示第l层的第j张特征图，是第l-1层的k张特征图经过卷积后再由激活函数输出而得到的；

(5.2)用于减少网络参数的八个fire层定义在两个卷积层之间，其中每个fire层包括一个挤压层和一个扩展层，挤压层的卷积核大小为1*1，扩展层包含1*1和3*3大小的卷积核，1*1大小的卷积核输出与3*3大小的卷积核输出串接在一起作为fire层的最终输出，进一步缩小手写体数字的特征图大小；

(5.3)最大降采样层定义在第一个卷积层以及第三、第七个fire层之后；

(5.4)卷积层最后一层为10个1*1大小的卷积核，输出最终提取到的多维手写体数字特征，将该特征进行降维后输送给softmax分类器，对手写体数字进行分类识别。

6.根据权利要求1所述的一种基于SqueezeNet的手写体数字识别方法，其特征在于：所述的步骤(1.3)，具体操作为：

(6.1)将手写体数字的训练集及其对应的标签值输入到构建好的SqueezeNet网络模型中，完成对网络模型的训练；

(6.2)把手写体数字测试集送入到训练好的网络模型中，将经过步骤(5.4)提取到的手写体数字特征输入softmax分类器中，得到手写体数字的标签值概率。

7.根据权利要求1所述的一种基于SqueezeNet的手写体数字识别方法，其特征在于：所述步骤(1.4)识别结果的具体操作为：判别最大概率的类别则为手写体数字的最终识别结果。