使用cnn进行深度学习是受欢迎的，原因有三个:

• CNN消除了手动提取特征的需要——特征是由CNN直接学习的。
• cnn可以产生高度准确的识别结果。
• cnn可以为新的识别任务重新训练，使您能够在已有的网络上构建。

cnn为发现和学习图像和时间序列数据中的关键特征提供了最佳架构。cnn在以下应用中是一项关键技术:

• 医学成像cnn可以检查数千份病理报告，以直观地检测图像中是否存在癌细胞。
• 音频处理:关键字检测可以在任何带有麦克风的设备中使用，用于检测某人说了某个单词或短语(“Hey Siri!”)。cnn可以准确地学习和检测关键字，同时忽略所有其他短语，无论环境如何。
• 停止标志检测:自动驾驶依靠cnn来准确检测标志或其他物体的存在，并根据输出做出决策。
• 合成数据生成:使用生成对抗网络(GANs)，可以生成新的图像用于深度学习应用，包括人脸识别和自动驾驶。

了解更多

卷积神经网络可以有数十或数百层，每一层都学习检测图像的不同特征。对每一张不同分辨率的训练图像进行滤波器处理，每一张卷积图像的输出作为下一层的输入。万博 尤文图斯滤镜可以从非常简单的特征开始，比如亮度和边缘，然后增加复杂性，变成唯一定义对象的特征。

特征学习，层次和分类

像其他神经网络一样，CNN由输入层、输出层和中间的许多隐藏层组成。

这些层执行修改数据的操作，目的是学习特定于数据的特征。最常见的三个层是:卷积、激活(ReLU)和池化。

• 卷积将输入图像通过一组卷积滤波器，每个卷积滤波器都会激活图像中的某些特征。
• 整流线性单元通过将负值映射为零并保持正值，允许更快更有效的训练。这有时被称为激活，因为只有被激活的特征被带入下一层。
• 池通过执行非线性下采样简化输出，减少网络需要学习的参数数量。

这些操作在数十或数百层中重复，每一层都在学习识别不同的特征。

共享权重和偏见

就像传统的神经网络， CNN的神经元具有权重和偏差。该模型在训练过程中学习这些值，并随着每个新的训练示例不断更新这些值。然而，在cnn的情况下，对于给定层中的所有隐藏神经元，权值和偏置值是相同的。

这意味着所有隐藏的神经元都在图像的不同区域检测相同的特征，例如边缘或斑点。这使得网络能够容忍图像中物体的平移。例如，一个经过训练的识别汽车的网络将能够在图像中的任何地方识别汽车。

分类层

在学习了许多层的特征之后，CNN的架构转向分类。

倒数第二层是一个完全连接的层，它输出K维的向量，其中K是网络能够预测的类的数量。这个向量包含了任何被分类的图像的每一类的概率。

CNN体系结构的最后一层使用分类层(如softmax)提供分类输出。

使用MATLAB^®与深度学习工具箱™让你设计、训练和部署cnn。

MATLAB提供了大量来自深度学习社区的预训练模型，可用于学习和识别新数据集的特征。这种方法被称为迁移学习，是一种应用深度学习的方便方法，无需从头开始。像GoogLeNet、AlexNet和Inception这样的模型提供了一个探索深度学习的起点，利用专家构建的经过验证的架构。

设计和培训网络

使用深度网络设计器，您可以导入预先训练好的模型或从头构建新模型。

您还可以直接在应用程序中训练网络，并使用准确性、损失和验证指标的图表监控训练。

使用预训练模型进行迁移学习

微调预训练的网络转移学习通常比从头开始训练要快得多，容易得多。它需要最少的数据和计算资源。迁移学习是利用一类问题的知识来解决类似的问题。你从一个预先训练好的网络开始，用它来学习一项新任务。迁移学习的一个优点是预先训练的网络已经学习了丰富的特征集。这些特性可以应用于其他许多类似的任务。例如，你可以在数百万张图像上训练一个网络，然后只使用数百张图像重新训练它来进行新的对象分类。

gpu硬件加速

卷积神经网络在数百、数千甚至数百万张图像上进行训练。在处理大量数据和复杂网络架构时，gpu可以显著加快训练模型的处理时间。

了解更多