什么是深度学习？
三件事情你需要知道的
深度学习是机器学习技术，教计算机做什么顺其自然人：学习的榜样。深度学习是无人驾驶汽车背后的关键技术，使他们认识到一个站牌，或区分灯柱行人。它的关键是在消费设备，如手机，平板电脑，电视，和免提扬声器语音控制。深学习近来有很好的理由获得了大量的关注。它实现这一以前不可能实现的结果。
在深学习，计算机模型学会直接从图像，文本或声音进行分类任务。深度学习模型可以实现国家的最先进的精确度，有时甚至超过人类水平的性能。模型是通过使用一大组的标签数据和包含许多层神经网络结构的训练。
如何深度学习获得如此骄人的成绩？
总之，准确性。深度学习水平高于以往任何时候都实现了识别的准确性。这有助于消费类电子产品满足用户的期望，它是像无人驾驶汽车安全关键型应用的关键。在深度学习的最新进展已经提高到了这种地步深度学习性能优于像图片中的物体进行分类的一些任务人类。
虽然深度学习在20世纪80年代首次被理论化，但它直到最近才变得有用，主要有两个原因：
- 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有一个并行架构，可以有效地进行深度学习。当与集群或云计算相结合时，这使得开发团队能够将深度学习网络的培训时间从几周减少到几小时或更少。
在工作深度学习的例子
深学习应用在从自动驾驶的医疗器械行业。
自动驾驶：汽车研究人员正在使用深度学习来自动检测对象，如停车标志和交通灯。此外，深学习用于检测行人，这有助于减少事故的发生。
航空航天和国防：深学习用于识别从定位感兴趣的领域，并确定安全或不安全的区域为部队卫星对象。
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。在UCLA团队建立了产生高维数据集用于训练深学习应用精确地识别癌细胞的高级显微镜。
工业自动化：深度学习正在通过时，人或物体是机器的一个不安全的距离内自动检测，以提高各地的重型机械工人的安全。
电子学:深度学习正被用于自动化听力和语音翻译。例如，家庭辅助设备可以响应你的声音并知道你的偏好，这些设备由深度学习应用程序提供支持。
有多深学习工作原理
大多数深度学习方法都会用到神经网络架构，这就是为什么深度学习模型经常被称为深层神经网络。
术语“深”通常是指在神经网络中隐藏层的数量。传统的神经网络只含有2-3个隐藏层，而深网络可以有多达150。
深度学习模型是通过使用大量标记数据和神经网络架构来训练的，这些架构直接从数据中学习特征，而不需要手动提取特征。
图1:神经网络，由一组相互连接的节点组成的层来组织。网络可以有数十或数百个隐藏层。
图2：与许多卷积层的网络的实施例。过滤器以不同的分辨率施加到每个训练图像，并且每个卷积图像的输出作为输入到下一层。万博 尤文图斯
细胞神经网络学会使用检测数十或数百个隐藏层的图像的不同特征。每个隐藏层增加了的学习图像特征的复杂性。例如，第一隐层可以学会怎样去检测边缘，最后学会如何检测更复杂的形状特别迎合我们试图识别物体的形状。
什么是机器学习和深入学习差异？
深度学习是机器学习的一种特殊形式。相关特征的机器学习工作流开始被手动地从图像中提取的。然后特征被用于创建分类的图像中的对象的模型。随着深度学习的工作流程，相关功能将自动从图像中提取。此外，深度学习执行“终端到终端的学习” - 在网络被赋予原始数据和要执行的任务，如分类，并学会如何自动执行此操作。
另一个关键的区别是深刻的学习算法扩展了数据，而浅的学习收敛。浅的学习是指机器学习方法是在高原性能一定水平，当你添加更多的实例和训练数据网络。
深度学习网络的一个关键优势是，随着数据量的增加，它们通常会不断改进。
图3。比较机器学习方法对车辆分类（左）和深度学习（右）。
在机器学习中，你手动选择特征和分类器来对图像进行分类。通过深度学习，特征提取和建模步骤是自动的。
选择机器学习和深度学习之间
机器学习提供了多种技术和模型，您可以根据您的应用程序、正在处理的数据的大小以及您要解决的问题的类型进行选择。一个成功的深度学习应用程序需要大量的数据（数以千计的图像）来训练模型，以及gpu或图形处理单元，快速处理您的数据。
当机器学习和深度学习之间的选择时，考虑你是否有一个高性能GPU和大量的标签数据。如果你没有任何的那些事情，可能更有意义，利用机器学习，而不是深度学习。深度学习一般比较复杂，所以你至少需要几千图像获得可靠结果。拥有一个高性能的GPU意味着该模型将需要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
人们使用深度学习执行对象分类的三种最常见的方法是：
从无到有的训练
要培养一个从无到有的深网络，你收集了非常大的标记数据集和设计网络架构，将学习的特点和模式。这是一个新的应用程序，或将有大量输出类的应用好。这是一个不太常见的方法，因为用大量的数据和学习的速度，这些网络通常需要数天或数周训练。
特征提取
一个稍微不那么常见的，更专业的深度学习方法是使用网络作为一个工具特征提取器。由于所有的层从图像学的某些功能的任务，我们可以在训练过程中随时拉这些功能在网络之外。然后，这些特征可以被用作输入到一个机器学习模型如万博1manbetx支持向量机(SVM)。
利用gpu加速深度学习模型
培训了深刻的学习模型可能需要很长的时间，从几天到几周。使用GPU加速可以显著加快这一进程。使用MATLAB与GPU减少了列车内的网络，可以从天缩短训练时间，图像分类问题降低到小时所需要的时间。在训练中深学习模型，MATLAB使用的GPU（如果可用），而不需要您如何理解编程的GPU明确。
图4.深度学习工具箱从头开始训练自己的CNN或利用转移学习预训练模式命令。
深学习中的应用
预训练的深层神经网络模型可以通过执行转移学习或特征提取来快速地将深层学习应用到你的问题中。对于MATLAB用户，一些可用的模型包括AlexNet、VGG-16和VGG-19，以及使用ImportCacheNetwork导入的Caffe模型（例如，来自Caffe Model Zoo）。
MATLAB使深入学习变得容易。借助管理大型数据集的工具和功能，MATLAB还提供了专门的工具箱，用于机器学习、神经网络、计算机视觉和自动驾驶。
只需要几行代码，MATLAB就可以让您在不成为专家的情况下进行深入学习。快速开始，创建和可视化模型，并将模型部署到服务器和嵌入式设备上。
团队使用MATLAB进行深度学习是成功的，因为它让你:
- 创建和刚刚代码的几行可视化模型。
- 在不成为专家的情况下进行深度学习。
- 自动地标记图像和视频的地面真相。
- 在单个工作流集成深度学习。
MATLAB可以让你建立深厚的学习模式用最少的代码。有了MATLAB，您可以根据调整训练参数快速导入预训练的模型和可视化和调试中间结果。
您可以使用MATLAB学习和深度学习领域获得的专业知识。我们大多数人都从来没有在深的学习课程。我们要在工作中学习。MATLAB使得这个领域学习实用和方便。此外，MATLAB允许领域专家做深度学习 - 在数据科学家谁可能不知道你的行业或应用程序而不是移交任务。
MATLAB使用户能够在图像中交互地标记对象，并且能够在视频中自动地标记地面真相，以便训练和测试深度学习模型。这种交互式和自动化的方法可以在更短的时间内获得更好的结果。
MATLAB可以在一个统一的工作流程多个域。有了MATLAB，你可以做你的思维和编程在一个环境中。它提供了工具和功能深学习，也为一系列结构域的进料进入深学习算法，诸如信号处理，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自动将您的深度学习模型部署到企业系统、集群、云和嵌入式设备上。
查看更多深入学习功能并获得示例代码。
相关产品:s manbetx 845MATLAB，计算机视觉工具箱™，统计和机器学习工具箱™，深度学习工具箱™,自动驾驶的工具箱™。
