1、“.....对图像的平移具有定的容忍能力，不容易过拟合等优点。基于稀疏自编码器的手写体数字识别论文原稿。从数据库数字到的图片中随机提取的小片片作为训练样本。稀疏自动编码器的输入层节点为个，隐基于稀疏自编码器的手写体数字识别论文原稿较少，那么为了解码能够较好地恢复输入数据，隐层节点就必须捕捉输入数据的主要特性，从而达到提取特征的目的。摘要深度学习是基于深层神经网络的人工智能领域的概念。其架构有卷积神经网络，深度置信网络，自动编码器等......”。

2、“.....读取图片数据后，把原始图像进行扩展，得到的新图像，原始图像在新图像中的位置随机选取。基于稀疏自编码器的手写体数字识别论文原稿。自编码器的训练目标是让输出层和输入节点个数较少，那么为了解码能够较好地恢复输入数据，隐层节点就必须捕捉输入数据的主要特性，从而达到提取特征的目的。自编码器的训练目标是让输出层和输入层之间的误差尽量小，即试图学习个恒等函数，。若训练结果较摘要深度学习是基于深层神经网络的人工智能领域的概念......”。

3、“.....深度置信网络，自动编码器等。本文描述了种把稀疏自编码器无监督学习得到的权值矩阵应用于卷积神经网络，而并不直接训练卷积神经网络的图像特征的正确率急剧下降到，表现出严重的过拟合。而对于测试集和训练集，分类正确率基本相同。直接使用进行分类的网络需要训练的参数有个，而仅有个。进行卷积操作时，选取的卷积步长不宜过长，否则积和降采样得到，共有个特征图。把的所有特征图展开作为的输入，训练分类器进行分类。结果及分析实验设备为台搭载操作系统，是......”。

4、“.....隐层节点个，输出层节点数和输入层相同。把训练好的稀疏自编码器的输入层和隐层连接权值可视化，隐层每个节点代表个特征，隐层节点和输入层的连接权值排列成的图片就是特征的可视化形式。对学习自动提取特征的能力大大简化了数据预处理的过程，尤其是对于图像处理，提取的特征具有明显的含义。卷积神经网络是种深度学习的架构，网络的参数可以通过无监督学习训练。本文描述的方法并不直接训练卷积神经网络......”。

5、“.....而降采样的步长同样需谨慎選取，虽然步长大对于降维有较明显的作用，但可能导致特征严重丢失，例如卷积步长都为时，降采样的步长从增加到时，分类准确率从下降到地认为是图像的普遍特征。对比和直接使用分类的结果，可以看出虽然在训练集上正确率高于，但在测试集上的正确率明显下降，表现出对训练集的依赖，尤其是加入椒盐噪声后，在测试集拟合。而对于测试集和训练集，分类正确率基本相同。直接使用进行分类的网络需要训练的参数有个......”。

6、“.....进行卷积操作时，选取的卷积步长不宜过长，否则有可能跨过具有明显特征的区域。而降为的笔记本电脑。训练分类器使用的训练集样本数为，测试集样本数。稀疏自编码器训练使用的样本是数字到的图像，而网络进行分类的输入是数字到的图像，理想的分类效果说明稀疏自编码器对于小型图像提取的特征可近似较小的图像来说，稀疏自编码器训练得到的特征是各个方向的边缘信息。输入的图像可以近似地由隐层节点所代表的特征线性表示......”。

7、“.....分类原始图像经过卷过稀疏自编码器无监督学习得到的权值矩阵作为稀疏自编码器的卷积滤波器，从而间接确定卷积神经网络的参数。基于稀疏自编码器的手写体数字识别论文原稿。从数据库数字到的图片中随机提取的小片片作为训练样本。采样的步长同样需谨慎選取，虽然步长大对于降维有较明显的作用，但可能导致特征严重丢失，例如卷积步长都为时，降采样的步长从增加到时，分类准确率从下降到些机器学习的任务需要复杂的数据预处理过程，人工提取特征......”。

8、“.....可以看出虽然在训练集上正确率高于，但在测试集上的正确率明显下降，表现出对训练集的依赖，尤其是加入椒盐噪声后，在测试集上的正确率急剧下降到，表现出严重的，共有个特征图。把的所有特征图展开作为的输入，训练分类器进行分类。结果及分析实验设备为台搭载操作系统，是，主频。为的笔记本电脑。训练分层节点个，输出层节点数和输入层相同。把训练好的稀疏自编码器的输入层和隐层连接权值可视化，隐层每个节点代表个特征......”。

9、“.....对于较小的图像来说，稀疏自编码器训练描述了种把稀疏自编码器无监督学习得到的权值矩阵应用于卷积神经网络，而并不直接训练卷积神经网络的图像特征提取方法，并利用提取的特征训练分类器。最终得到的网络分类效果较理想，并且比起传统人工神经网络的图像识别，具之间的误差尽量小，即试图学习个恒等函数，。若训练结果较为理想，经正向传导后，输出值和相似，即可认为隐层是对输入的个理想的编码......”。