神经丛红
3个必要的军刀
Una red neuronal convolucional (CNN o ConvNet) es Una arquitectura de red para深度学习我们的数据是直接的，外部的罪是必要的características手工。
Estas redes son speciarmente útiles para encontrar patronones en imágenes para reconocer objects, caras y escenas。También resultan eficaces para classified datos sin imágenes, tales como datos de audio, series temporales y señales。
Las aplicaciones que utilzan客体的和解y人工视觉，故事都是如此vehiculos autonomosy para reconocimiento facial, dependent en gran medida de CNN
深度学习是受欢迎的三个重要因素。美国有线电视新闻网:
- Aprenden características直接罪，需要额外的手工。
- 一般结果的协调与精确。
- 这是生命的轮回，这是生命的轮回，这是生命的前世。
Flujo de trabajo de深度学习。Las imágenes se envían a CNN, que aprende Las características y classiifica los客体automáticamente。
Las CNN建筑比例óptima para descubrir y aprender características principales en imágenes y datos de series temporales。Las CNN son una tecnología clave en aplicaciones tales como:
- 画像》: las CNN pueden examinar miles de informe patológicos para detectar visualmente la presencia o ausencia células癌症在las imágenes。
- 音频过程: la detección de palabras clave se puede utilizar en cualquier dispositivo con un micrófono para detectar cuándo se pronuncia una palabra o frase determinada(“Oye Siri”)。Las CNN pueden aprender y detectar con precisión la palabra clave e ignorar todas Las demás frases, indedientemente del entorno。
- Detección de señales de停止: la conducción autónoma se basa en CNN para detectar con precisión la presencia de una señal u otro objeto y decision basadas en el resultado。
- Generación de datos sintéticos:我们使用redes generativas antagónicas (GAN)， se pueden producir nuevas imágenes para su uso en aplicaciones de deep learning, tales como reconocimiento facial y conducción autónoma。
Mas给
Una红神经元旋回puvolucional puvolional dedecenas o cientos de capas que aprenden一个检测差异características de Una imagen。这是一个关于解决问题的问题，这是一个关于解决问题的问题，这是一个关于解决问题的问题的问题。各种各样的事物características简单，有故事的地方，有故事的地方más完整的地方，有故事的地方características关于事物的定义única。
Aprendizaje de características, capas y clasificación
神经系统，CNN está计算机，大脑，大脑，大脑和大脑中间。
关于实现和操作的方法和目标características específicas关于数据的方法。Las 3 capas más frecuentes son: convolución, activación o ReLU, y pooling。
- Convolucion:一些las imágenes de entrada a UN conjunto de filvolucionales, cada uno de los cuales activa ciertas características de las imágenes。
- Unidad线性整流器(ReLU): permite UN entrenamiento más rápido我们知道我们的消极价值和我们的积极价值。También se lo denominaactivacion，我独自一人características我们一起行动吧。
- 池:简单的la salida al disminuir la tasa de muestreo没有线性，还原así el número de parámetros que la red必要的aprender。
十多年来的生活习惯和生活习惯的不同之处características。
那红的交替变化。这是一个关于解决问题的问题，这是一个关于解决问题的问题，这是一个关于解决问题的问题的问题。
与我同甘共苦
Al igual que una红色的神经元传统的，这是CNN的神经系统。我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说。罪恶禁运，在美国有线电视新闻网的caso de las，比索的价值和sesgos的mismos, para, las neuronas ocultas, en a capa混凝土。
为了在不同的地方看到不同的景象característica，在不同的地方看到不同的景象。他有红色的东西traslación意象中的物体。可怜的孩子，那红色的心灵深处automóviles podrá我们的心灵深处automóvil我们的心灵深处。
Capas de clasificación
Después de aprender las características in varias capas, la arquitectura de una CNN pasa a la clasificación。
La penúltima capa está K维数的总和和比例，以及K维数的向量，donde K es el número红色的等级será capaz de前任。Este向量连续的概率，para, cada, clalquier, imagen, que，分类。
La capa final de La arquitectura de CNN使用una capa de clasificación, como softmax, para proporcionar La salida de clasificación。
MATLAB®反对深度学习工具箱™permitediseñar, entrenar y desplegar CNN报道。
MATLAB关于深度学习的先验模型和先验数据的并行运算和通常运算的并行运算características关于新数据的并行运算。Este método, llamado transferencia del aprendizaje, es una forma práctica de aplicar深度学习sinesesidad de empezar desde cero。Modelos tales como GoogLeNet, AlexNet Inception ofrecen un punto de partida para explorar deep learning, aprovechando arquitecturas comprobadas creadas por expertos。
Diseño我爱你
深度网络设计师，进口模型，先行模型，新模型，desde cero。
应用程序深度网络设计器para - crear，可视化编辑器用于深度学习交互。
También通往天堂的大道通往天堂的大道通向天堂的大道gráficas de métricas de precisión, pérdida y validación。
在此基础上，在此基础上，在此基础上，在此基础上
尊敬的将军，我和你同在Transferencia del prendizaje我们要做的事más rápido y fácil我们要做的事mínima我们要做的事。这是一个相似的问题。这里有一个地方，这里有一个地方，这里有一个地方，这里有一个地方。这是我们的转让语，这是我们的红色，这是我们的红色，这是我们的红色características。Estas características se pueden aplicar a una amplia gama de tareas相似。我的祖国，我们的祖国imágenes我们的祖国，我们的祖国imágenes。
Aceleración de硬件por GPU
Una red neuronal convolucional se entra con cientos, miles o incluso millones de imágenes。在宏伟的悬臂上，在数据和建筑上，在红色的基础上，在加速的过程中，在时间上，在模式上。
GPU英伟达®计算，深度学习。
Mas给
Aplicaciones que utilitzan CNN
Detección de objects
La detección de对象es el proceso de地方化分类对象en imágenes y vídeos。计算机视觉工具箱比例的marcos de entrenamiento para crear detection de object basados在深度学习con YOLO y更快R-CNN。
Este ejemplo muestra cómo entrenar un detector de objetos con深度学习y R-CNN(区域con redes神经元convolucionales)。
Detección de palabras clave
La detección de palabras clave es un ejemplo de aplicación de voz a texto, que conoce ciertas palabras o frases clave, y las interpreta como una directriz。阿尔古诺，射出，射出，射出，射出，射出，射出，射出。
Detección de palabras clave con深度学习
Este ejemplo muestra cómo usar MATLAB对识别和探测la presencia突击队语音，y su entecnología de asistencia de voz。
Segmentacion semantica
Las CNN se utilizan en segmentación semántica para identiar cada píxel de la imagen con una ceremony de clase correspondiente。La segmentación semántica se puede utilizar en aplicaciones tales como conducción autónoma, inspección industrial, clasificación del terreno e imágenes médicas。拉斯红神经元丛的儿子拉基对伞红segmentación semántica。
Segmentación semántica con深度学习
Este ejemplo muestra cómo usar MATLAB para crear una red de segmentación semántica, que identiica cada píxel de la imagen con una礼节对应。
MATLAB比例计算和函数计算para todo lo relacionado con深度学习。使用CNN para ampliar sus flujos de trabajo en procesiento de señales, visión人工通信雷达。
30 días de exploración a sualance
如果这个preguntas ?
您也可以从以下列表中选择一个网站: