模具verbreitete Nutzung冯细胞神经网络献给深度学习lässtSICH奥夫DREI wesentliche Faktorenzurückführen：

• BEIM Einsatz冯细胞神经网络entfällt死Notwendigkeit献给死去MANUELLE Merkmalsextraktion - 死Merkmale werden DIREKT VOM CNN erlernt。
• CNNSGewährleistenäußerspräziseErkennungsresultate。
• cnn lassen sich für Erkennungsaufgaben neu trainieren and ermöglichen so die Anknüpfung an best stehende Netze。

细胞神经网络bieten EINE optimale Architektur献给DAS Erkennen UND Erlernen wesentlicher Merkmale在Bild- UND Zeitreihendaten。细胞神经网络SIND EINESchlüsseltechnologie在Anwendungen魏某：

• Medizinische Bildgebung: cnn können图片报Tausenden von Pathologieberichten visuell auf as Fehlen oder Vorhandensein von Krebszellen überprüfen。
• Verarbeitung冯Audiodaten：Schlüsselwörterkönnen在einem beliebigengeräteinem mikrofon zur erkennung eines gespronenes麦克风麦克风einer短语genutzt werden（，嘿siri！'）。CNNSKÖNNENSCHLÜSSELWÖRTERPRÄZISESERLERNEN，ERKENNEN UND ZUGLEICH ALL ANDEREN PHRANN IGNORIEREN - UnabhängigVonder Umgebung。
• Erkennung冯Stoppschildern：细胞神经网络kommen BEIM automatisierten Fahren献给模具präziseErkennung冯Schildern奥德anderen Objekten的Zum Einsatz UND奥西阿赫ausgabenbasierte Entscheidungen。
• Generierung synthetischer回到名单Daten：Mithilfe冯生成对抗性网络（甘斯）拉森SICH抵达Neue BILDER楚Verwendung深学习型Anwendungen generieren，温特anderem献给死去Gesichtserkennung UND DAS automatisierte Fahren。

Weitere信息

EIN卷积神经网络KANN DUTZENDE OADER SOGAR Hunderte Von Schichten Aufweisen。JEDE EINZELNE SCHICHT LERNT DIE ERKENNUNG UTERSCHIEDLICHER BILDMERKMALE。过滤器麻省人unterschiedlichenauflösungenwerden auf jedes培训yousynwandt und die ausgabe eines jeden faltungsbilds wird als eingabefürienächsteschicht genutzt。Die Einfachsten过滤器KönnenMerkmaleWie Helligkeit und Kanten Sein und Mit ZunehmenderKomplexitätMerkmaleUmfassen，Die Ein Objekt Eindeutig Defileirig Defieren。

Erlernen von Merkmalen，Schichten und Klassifikation

细胞神经网络bestehen，ebenso魏某ANDERE neuronale Netze，澳大利亚einer Eingabeschicht，einer Ausgabeschicht UND zahlreichen verborgenen Zwischenschichten。

Diese SchichtenführenVorgängeAUS，模具模回到名单Daten的Zum Erlernen spezifischer Datenmerkmale modifizieren。祖书房gängigstenSchichtenzählen：Faltung，Aktivierung，RELU UND池。

• 北德Faltungdurchlaufen死Eingangsbilder EINE Reihe街上冯Faltungsfiltern，模具jeweils bestimmte Merkmale AUS Diesen表示Bildern aktivieren。
• eine.整流线性单元(ReLU)erlaubt EIN schnelleres UND effizienteres培训。Hierbei werden负Werte奥夫空abgebildet UND积极Werte beibehalten。模具wird mitunter阿尔斯Aktivierungbezeichnet，哒诺尔模具aktivierten Merkmale一个模具nächsteSchichtübergebenwerden。
• 池vereinfacht死Ausgabe，哒模具Anzahl DER VOM茨つerlernenden参数第三人以nichtlineares下采样reduziert wird。

Diese Vorgänge werden über Dutzende oder Hunderte von Schichten wiederholt, wobei jede Schicht lernt, unterschiedliche Merkmale zu identifiieren。

Identische Gewichtungen UND偏差 - Werte

艾因CNNverfügt，ebenso魏某jedesherkömmlicheNeuronale Netz.，Überneuronen mit gewichtungen und bias-werten das modell lernt diese wertewährenddes培训vorgangs und aktualisiert sie Fortlaufend Mit Jedem Neuen Groudingsbeispiel。IM Falle Von CNNS SIND DIE GEWICHTUNGEN und Bias-Werte AllerdingsFürAlleVerborgenenNeuronen在Einer Jeden Schicht Indicisch。

这是我们的孩子，所有的孩子都是我们的孩子，所有的孩子都是我们的孩子。Dadurch entsteht Netztoleranz für die Übersetzung von Bildobjekten。在我的图片报里，我很高兴见到你。

Klassifikationsschichten

CNN-Architektur zur Klassifikation über。

Die Vorletzte Schicht Ist EineVollständigAngeschlossene Schicht，Die Einen Vektor von K Dimensingen Ausgibt，Wobei K Die Anzahl der Vom Netz PrognostizierBaren KlassenReveäsentiert。Dieser VektorEnthältdie KlassenwahrscheinlichkeitenFürjedes zu Klassifizierende Bild。

Die letzte Schicht der CNN-Architektur verwendet eine Klassifikationsschicht wie Softmax für Die Klassifikationsausgabe。

Mithilfe冯马铃薯^®缺席深度学习工具箱™您能cnn entwerfen, trainieren and bereitstellen。

MATLABenthälteinen umfangreichen起价vortrainierter Modelle AUS DER深学习型社区，模具的Zum Erlernen UND Identifizieren冯Merkmalen在einem neuen Datensatz verwendet werdenkönnen。Diese了Methode wird ALS迁移学习bezeichnet。SIEermöglicht模具bequeme Anwendung冯深学习指数ohne EINEvollständigeNeuentwicklung。Modelle魏某GoogLeNet，AlexNet UND盗玛沁SICHbewährte，冯专家组织erstellte Architekturen zunutze UND dienen ALS Ausgangspunkt献给死去ErschließungDES深度学习。

Entwerfen UND Trainieren冯Netzen

岩石von深网络设计师KönnenSieVortrainierteModelle Importieren Ouf Neu Gestalten von Grund Auf Geuf Gestalten。

SieKönnenNetzeAuchDirekt在Der App Trainieren und den Vorgang Anhand Von diagragemen Mit Genauigkeits-，Verlust- undialierungsmetrikenÜberwachen。

Verwendung vortrainierter Modelle献给迁移学习

die feinabstimmung eines vortrainierten netzes mit迁移学习IST在Der Regel Deutlich Schneller und Einfacher Als Mit DEM训练北零点开始。Sie Erfordert Die Kleinste Datenmenge und Die GeringsteRechenkapazität。转移学习温室Die Mit Einer Bestimmten问题Stellung Verrundenen Erkenntnisse AUFDieLösungvergleichbarer问题是一个。Sie Beginnen Mit Einem Vortrainierten Netz und Verwenden Es Zum Erlernen Einer Neuen Aufgabe。迁移学习的帽子书房Vorteil，DASS DAS vortrainierte茨bereits einen reichhaltigen冯起价Merkmalen gelernt帽子。Diese Merkmale拉森SICH奥夫EIN breites的SpektrumähnlicherAufgaben anwenden。SieKönnenzumBeispiel Ein Netz，DAS Mit Millimen von Bildern Trainiert Wurde，FürieKlassifikationNeuer Objekte Trainieren undBenötigenDafürdafiglicheinigeHundert Bilder。

Hardwarebeschleunigung MIT Grafikkarten

《培训师》是汉德特的卷积神经网络，比德恩的作品。Bei der Arbeit mit großen Datenvolumen und komplexen Netzarchitekturen können Grafikkarten die hierfür erforderliche Verarbeitungszeit maßgeblich beschleunigen。

Weitere信息