В данной статье рассказывается о применении сверточной нейронной сети при решении задачи распознавания изображений. Приводится пример реализации модели сверточной нейронной сети, на технологии TensorFlow, для обучения на наборе данных MNIST с целью распознавания рукописных цифр. MNIST набор данных является свободно распространяемым и содержит в себе 60 000 учебных примеров и 10 000 тестовых примеров рукописных цифр от 0 до 9, которые представлены в виде монохромных изображений размером 28x28 пикселей. Предложенная модель после обучения имеет точность равную 97,3%, что говорит о высокой эффективности данной модели в поставленной задаче. Такая точно была достигнута за счет использования двух уровней сверточных слоев, с использованием функции активации ReLU, и двух слоев объединения. Данная сверточная нейронная сеть является очень простой в реализации, за счет использования высокоуровневого API библиотеки TensorFlow. TensorFlow содержит в себе методы tf.layers, conv2d() и dense(), которые позволяют реализовывать сверточные слои для нейронных сетей, проводить их объединение по заданным методам и создавать плотные (логические) слои. Полученная модель может успешно использоваться для решения задач классификации изображений и распознавания образов.

This article describes the use of a convolutional neural network in solving the problem of image recognition. An example of the implementation of the convolutional neural network model, on TensorFlow technology, for learning on the MNIST data set for the purpose of recognition of handwritten figures is given. MNIST data set is freely distributed and contains 60 000 training examples and 10 000 test examples of handwritten figures from 0 to 9, which are presented in the form of monochrome images with a size of 28x28 pixels. The proposed model after training has an accuracy of 97.3%, which indicates the high efficiency of this model, in the task. This was accurately achieved by using two levels of convolutional layers, using the ReLU activation function, and two layers of union. This convolutional neural network is very simple to implement, due to the use of the high-level API of the TensorFlow library. TensorFlow contains the methods tf.layers, conv2d() and dense (), which allow you to implement convolutional layers for neural networks, combine them with specified methods, and create dense (logical) layers. The resulting model can be successfully used to solve problems of image classification and pattern recognition.