什么深入学习？
你需要知道的3件事
深度学习是一种机器学习技术，教授计算机自然地对人类进行：逐渐学习。深度学习是无人驾驶汽车背后的关键技术，使他们能够识别停车牌，或者将行人与灯柱区分开来。它是手机，平板电视和免提扬声器等消费设备中语音控制的关键。深深的学习最近和充分理由得到了很多关注。它正在实现以前不可能的结果。
在深度学习中，计算机模型学会直接从图像，文本或声音执行分类任务。深度学习模型可以实现最先进的准确性，有时会超过人类水平的性能。模型是通过使用包含许多图层的大量标记数据和神经网络架构进行培训。
深度学习如何获得这种令人印象深刻的结果？
总之，准确性。深度学习比以往更高的水平达到识别准确性。这有助于消费电子设备满足用户期望，并且对于安全的汽车等安全关键应用至关重要。深度学习的最新进步已经改进了深入学习在一些任务中表现出人类的点，如在图像中的分类对象。
虽然在20世纪80年代，深入学习是第一个理论化的，但它有两种主要原因它最近有用：
- 深度学习需要大量的标记数据．例如，无人驾驶汽车的开发需要数百万张图片和数千小时的视频。
- 深度学习需要大量的计算能力．高性能GPU具有平行架构，可为深度学习有效。当与集群或云计算结合时，这使得开发团队能够在几周或更短时间或更短的时间内降低深度学习网络的培训时间。
在工作中深入学习的例子
深度学习应用程序用于自动驾驶到医疗设备的行业。
自动驾驶：汽车研究人员正在使用深度学习，自动检测停止标志和红绿灯等对象。此外，深入学习用于检测行人，有助于减少事故。
航空航天和防御：深入学习用于识别从卫星找到感兴趣区域的卫星的对象，并识别部队的安全或不安全的区域。
医学研究：癌症研究人员正在使用深度学习，自动检测癌细胞。UCLA的团队建立了一个先进的显微镜，产生高维数据集，用于训练深度学习申请以准确识别癌细胞。
工业自动化：深入学习通过自动检测人员或物品在机器的不安全距离内，帮助改善重型机械周围的工人安全。
电子学:深度学习被用于自动听力和语音翻译。例如，能够响应你的声音并知道你的偏好的家庭辅助设备是由深度学习应用程序驱动的。
你对深度学习了解多少？
深度学习的作品如何
图1:神经网络，由一组相互连接的节点组成的层组织。网络可能有数十或数百个隐藏层。
图2：具有许多卷积层的网络示例。过滤器以不同的分辨率应用于每个训练图像，并且每个卷绕图像的输出用作下一层的输入。万博 尤文图斯
CNNS学会使用数十积或数百个隐藏层检测图像的不同特征。每个隐藏层都会增加学习图像特征的复杂性。例如，第一个隐藏层可以学习如何检测边缘，并且最后一个学习如何检测更多复杂的形状，具体迎合我们尝试识别的对象的形状。
机器学习和深度学习之间有什么区别？
深度学习是一种专业的机器学习形式。机器学习工作流程以手动从图像中提取的相关特征开始。然后，该功能用于创建对图像中对象进行分类的模型。通过深度学习工作流程，从图像中自动提取相关功能。此外，深度学习执行“端到端学习” - 在提供RAW RAW数据和执行诸如分类的任务之外的任务，并且了解如何自动执行此操作。
另一个关键差异是深入学习算法与数据量表，而浅学习会聚。浅学习是指机器学习方法当您在网络中添加更多示例和培训数据时，高原在某种程度的性能下。
深度学习网络的一个关键优势在于，随着数据的大小增加，它们通常会继续提高。
图3.使用深度学习（右）对机器学习方法进行比较分类车辆（左）。
在机器学习中，你手动选择特征和分类器来对图像进行排序。通过深度学习，特征提取和建模步骤是自动的。
选择机器学习与深度学习
机器学习提供了各种技术和型号，您可以根据您的应用程序选择您正在处理的数据大小，以及您要解决的问题类型。成功的深度学习应用程序需要大量的数据（数千个图像）来培训模型，以及图形处理器或图形处理单元，快速处理您的数据。
在机器学习和深度学习之间选择时，请考虑是否具有高性能GPU和许多标记数据。如果您没有任何这些事情，则使用机器学习而不是深度学习可能会更有意义。深度学习通常更复杂，因此您需要至少几千张图像来获得可靠的结果。具有高性能GPU意味着模型将花费更少的时间来分析所有这些图像。
如何创建和训练深度学习模型
人们使用深度学习的三种最常见的方式来执行对象分类是：
从头开始训练
要从划痕培训深度网络，您可以收集一个非常大的标记数据集并设计一个学习功能和模型的网络架构。这对新的应用程序或将具有大量输出类别的应用程序有益。这是一种不太常见的方法，因为大量数据和学习速度，这些网络通常需要几天或数周才能训练。
特征提取
另一种不太常见但更专业的深度学习方法是将网络作为一个特征提取器．由于所有这些层都是从图像中学习某些功能的任务，因此我们可以在培训过程中随时将这些功能拉出网络。然后可以将这些功能用作输入机器学习模型如万博1manbetx支持向量机．
用GPU加速深入学习模型
培训深入学习模式可能需要很长时间，从几天到几周。使用GPU加速可以显着加速过程。使用MATLAB与GPU缩短了培训网络所需的时间，并可以从几天到几小时将培训时间切割图像分类问题。在培训深度学习模型中，MATLAB使用GPU（当可用时），无需您了解如何显式编程GPU。
图4.深度学习工具箱命令，用于从头划伤或使用预磨料模型进行培训您自己的CNN进行转移学习。
深度学习应用
预先训练的深神经网络模型可用于通过执行转移学习或特征提取来快速对您的问题进行深度学习。对于MATLAB用户，一些可用的型号包括AlexNet，VGG-16和VGG-19，以及使用ImportCEnfeNetwork导入的Caffe模型（例如，来自Caffe Model动物园）。
Matlab让深入学习容易。使用用于管理大型数据集的工具和功能，Matlab还提供专门的工具箱，用于使用机器学习，神经网络，计算机视觉和自动驾驶。
只需几行代码，MATLAB就可以让您进行深度学习，而不必成为专家。快速入门，创建并可视化模型，并将模型部署到服务器和嵌入式设备。
团队成功使用MATLAB进行深度学习，因为它让您:
- 只需几行代码创建和可视化模型。
- 在没有专家的情况下进行深度学习。
- 自动化地面真理标记图像和视频。
- 在一个工作流程中整合深入学习。
MATLAB允许您使用最少的代码构建深入学习模型。使用MATLAB，您可以在调整训练参数时快速导入备用模型并可视化和调试中间结果。
您可以使用Matlab来学习和获得深度学习领域的专业知识。我们大多数人从未在深度学习中占据了课程。我们必须学习工作。MATLAB使这场实地的实际和可访问。此外，MATLAB使域名专家能够做深入学习 - 而不是将任务交给可能不了解您的行业或应用程序的数据科学家。
MATLAB使用户能够在图像中交互式标签对象，可以在视频中自动化地面真理标签，以进行培训和测试深度学习模型。这种互动和自动化的方法可以在更短的时间内导致更好的结果。
MATLAB可以在单个工作流中统一多个域。使用MATLAB，您可以在一个环境中进行思考和编程。它为深度学习提供了工具和功能，以及一系列域，这些域进入深入学习算法，例如信号处理，计算机视觉和数据分析。
使用MATLAB，您可以将结果集成到现有的应用程序中。MATLAB可以在企业系统、集群、云和嵌入式设备上自动部署深度学习模型。
查看更多深度学习功能，并得到示例代码．
相关产品:s manbetx 845MATLAB那计算机Vision Toolbox™那统计和机器学习工具箱™那深度学习工具箱™,自动化驾驶工具箱™．
