现一个迭代的过程。在每次迭代的开始，需要选取小部分训练数据，通过计算训练数据的预测答案与真实答案进行比对，相应的更新神经网络的参数，从而达到优化模型的目的。图1神经网络反向传播优化流程图3TF构建卷积神经网络本文采用的训练模型是仿照LeNet5CNN架构，LeNet5最早是在1998年由YannLecun博士提出的。它是最早的CNN之一，专门用于对手写数字进行分类。就是两个卷积层（每个卷积层后加一个池化层）加两个全连接层加最后一个softmax输出分类结果。Lenet5架构如下图所示：图2卷积神经网络结构本文的构建的TF卷积神经网络主要有5种结构组成：（1）输入层。输入层是整个神经网络的输入，本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。（2）卷积层。从名字就可以看出，卷积层是一个卷积神经网络中最为重要的部分。卷积层中每一个节点的输入只是上一层神经网络的一小块，这个小块常用的有3*3或者5*5。智能网联汽车-数控滚圆机滚弧机钢管张家港数控滚圆机滚弧机折弯机卷积层试图将神经网络中的每一小块进行更加深入地分析从而得到抽象程度更高的特征。（3）池化层（pooling）。池化层神经网络不会改变三维矩阵的深度，但是它可以缩小矩阵的大校（4）全连接层。如图所示，在经过多轮卷积层和池化层的处理之后，在卷积神经网络的最后一般会是由1到2个全连接层来给出最后的分类结果。（5）Softmax层，该层主要用于分类问题。通过softmax层，可以得到当前样例属于不同种类的概率。程序运行构建的卷积神经网络，读取已经打乱顺序的训练图像集，每训练一遍则保存新的ckpt文件，该文件为训练模型的参数文件。通过调整训练步长和训练次数，我们就可以训练出可以使用的模型本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  为满足智能网联汽车测试越来越迫切的测试需求,在国内现有的智能网联示范区基础上,概述了智能网联汽车专用测试场地建设方法和智能网联汽车测试方法,着重分析了建设要点,测试工况和实际测试经验总结兼顾,对测试场地的建设提出建议,并在测试方法上提出了V2X的测试框架,对智能网联专用测试场地建设以及测试方法研究具备参考意义。 智能网联汽车-数控滚圆机滚弧机钢管张家港数控滚圆机滚弧机折弯机本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com