1. 研究目的与意义
机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。
机器能否像人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个具有学习能力的下棋程序，向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
深度学习是机器学习中一种基于对数据进行表征学习的方法，深度学习的意义是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
2. 课题关键问题和重难点
1、TensorFlow的工作原理及框架结构，学习其编程模型。
深度学习系统是一个使用数据流图进行数值计算的开源软件库。
图中的节点代表数学运算，而图中的边则代表在这些节点之间传递的多维数组（张量）。
3. 国内外研究现状（文献综述）
图像识别是指居于数字图像处理技术，利用人工智能技术，特别是机器学习的方法，使得计算机能够识别图像中的内容。
卷积神经网络在应用到各种不同的图像识别任务时都取得了不错的效果，被认为是通用图像识别系统的代表之一。
随着深度学习技术发展，深度网络也展现出了通用图像识别系统的特点并开始得到应用提出的一种采用基因算法来选取网络中感知场的模型也在图像识别问题上获得了很好的成果。
4. 研究方案
1、搭建TensorFlow的深度学习框架； 2、实验在卷积神经网络的基础上分两个方面幵展研究：（1）对于卷积神经网络，以网络模型为基础，去除中一些特别针对于手写数字识别任务而采用的一些经验参数及结构，构建相对简化的卷积神经网络模型，并在此基础上形成具有不同层次大小的网络模型。
应用这些网络到数据集中进行训练并对实验结果进行分析。
（2）在第一步的基础上，由于这些模型中并不存在一些针对特定识别问题而设置的经验参数，将这些网络模型应用到图像识别任务当中，通过实验结果验证卷积神经网络在不同的识别任务中的性能。
5. 工作计划
1~3周，通过综述文献学习TensorFlow的工作原理和框架结构，搭建好所需的实验环境，度图像进行预处理。
综合看所有知识点文献，完成开题报告。
4~6周，重点研究深度学习的算法思想以及卷积神经网络的结构，进行挖掘数据和处理数据，让局部感知区域能够获得观测数据的显著特征。
