摘要：深度学习被广泛应用于图像分类，语音识别，人机博弈，自然语言处理等不同的研究领域。本文选择卷积神经网络作为深度学习的主要网络架构，具体内容如下：本文首先介绍了卷积神经网络的发展历程，以及神经元、卷积层、采样层、全连接层、Softmax函数、正则化、前向传播算法、反向传播算法等基本概念；之后在TensorFlow框架下，针对CIFAR-10图像数据集，构建了卷积神经网络模型；最后将CIFAR-10图像数据集分为训练集、验证集和测试集，通过Python语言编程实现，结合控制变量的实验方法，对卷积核的大小和数量、采样层的大小和步长、神经网络深度、学习率、batch size、激活函数等超参数进行探索分析，评价各参数对预测准确性的影响，根据实验的分析结果，对模型进行相应的调整，以达到较高的预测准确性；结论部分展现了深度学习的未来应用场景以及目前待解决的问题。

关键词：TensorFlow；CIFAR-10；卷积神经网络

目录

摘要

Abstract

1 绪论-1

1.1研究背景及意义-1

1.2国内外研究历史与现状-2

1.3主要工作及内容安排-4

2卷积神经网络基本知识-5

2.1卷积神经网络组成-5

2.1.1神经元-5

2.1.2卷积层-5

2.1.3采样层-6

2.1.4全连接层-7

2.2卷积神经网络的训练过程-7

2.2.1前向传播和反向传播-7

2.3卷积神经网络的优化-10

2.3.1激活函数-10

2.3.2过拟合问题-12

3基于TensorFlow的分类模型的设计-15

3.1 TensorFlow简介-15

3.2关于卷积神经网络结构参数的研究-15

3.2.1 CIFAR-10数据集介绍-15

3.2.2 实验结果及分析-16

3.2.3 优化及最终模型的得出-22

结    论-27

参 考 文 献-28

附录A 实验数据图表-29

致    谢-31