Convolutional Neural Networks Optimized by Logistic Regression Model

Softmax函数 分类器(UML) 逻辑回归 MNIST数据库 模式识别(心理学) 人工智能 计算机科学 卷积神经网络 二次分类器 人工神经网络 机器学习
作者
Bo Yang,Zuopeng Zhao,Xinzheng Xu
出处
期刊:IFIP advances in information and communication technology 卷期号:: 91-96 被引量:1
标识
DOI:10.1007/978-3-319-48390-0_10
摘要

In recent years, convolutional neural networks have been widely used, especially in the field of large scale image processing. This paper mainly introduces the application of two kinds of logistic regression classifier in the convolutional neural network. The first classifier is a logistic regression classifier, which is a classifier for two classification problems, but it can also be used for multi-classification problems. The second kind of classifier is a multi-classification logistic regression classifier, also known as softmax regression classifier. Two kinds of classifiers have achieved good results in MNIST handwritten digit recognition.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
3秒前
ww完成签到,获得积分10
3秒前
why完成签到,获得积分10
4秒前
kk关闭了kk文献求助
5秒前
6秒前
bkagyin应助li采纳,获得30
6秒前
1111发布了新的文献求助10
6秒前
李爱国应助平常寒烟采纳,获得10
8秒前
9秒前
10秒前
可爱的函函应助马里奥采纳,获得10
11秒前
范宇航完成签到 ,获得积分10
12秒前
李健的粉丝团团长应助lw采纳,获得10
12秒前
12秒前
12秒前
believer完成签到,获得积分10
13秒前
唉呀发布了新的文献求助10
14秒前
16秒前
nanishard发布了新的文献求助10
18秒前
19秒前
杨武天一发布了新的文献求助20
19秒前
21秒前
22秒前
cici发布了新的文献求助10
22秒前
自然白安完成签到,获得积分10
22秒前
小超超发布了新的文献求助20
23秒前
24秒前
斯文败类应助科研爱好者采纳,获得10
24秒前
yang发布了新的文献求助10
26秒前
ZHU完成签到 ,获得积分10
26秒前
吕肇元之发布了新的文献求助10
30秒前
lw发布了新的文献求助10
31秒前
33秒前
33秒前
gg应助科研通管家采纳,获得10
33秒前
酷波er应助科研通管家采纳,获得10
33秒前
星辰大海应助科研通管家采纳,获得10
33秒前
小马甲应助科研通管家采纳,获得10
33秒前
科研通AI6.2应助动听白风采纳,获得10
33秒前
科研通AI2S应助科研通管家采纳,获得10
33秒前
高分求助中
Signals, Systems, and Signal Processing 610
Annie Ernaux: De la perte au corps glorieux 600
Petrology and Plate Tectonics,2025 500
Circular Polar Constellations Providing Continuous Single or Multiple Coverage Above a Specified Latitude 400
Burger's Medicinal Chemistry and Drug Discovery 400
Probability and Stochastic Processes 333
New directions for experimental lessons in science teaching: Myth, Mystery, Necessity? by Emily K. da Silva Cunha Souto (Author), Flávia Lins Silva (Author) 333
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 工程类 有机化学 化学工程 生物化学 计算机科学 物理 内科学 复合材料 催化作用 物理化学 光电子学 电极 细胞生物学 基因 无机化学
热门帖子
关注 科研通微信公众号,转发送积分 6746669
求助须知:如何正确求助?哪些是违规求助? 8476600
关于积分的说明 18079562
捐赠科研通 6019390
什么是DOI,文献DOI怎么找? 3005155
邀请新用户注册赠送积分活动 1981925
关于科研通互助平台的介绍 1948655