Réseau neuronal convolutif
3选择à savoir
Un réseau神经元卷积tif (CNN ou«ConvNets»)est une architecture réseau pour le深度学习附加指示à政党données，附加指示évite外部行动caractéristiques。
Les réseaux neuronaux convolutifs sont particulièrement utiles pour trouver des patterns dans des images afin de reconnaître des objects, des visages et des scènes。Ils peuvent également être très effaces pour classer des données autres que des images, telles que des contenus audio, des séries temporelles et des signaux。
Les applications qui font appel à la侦察d 'objetsEt à la计算机视觉， telles que les防务专家autonomesEt les applications de reconnaissance facale, relent forement sur les réseaux neuronaux convolutifs。
L'utilisation de réseaux neuronaux convolutifs pour le Deep Learning est det populaire grâce à三个因素重要:
- Les réseaux neuronaux convolutifs rendent obsolète l'extraction manuelle de caractéristiques;Elles sont désormais通知的方向对le réseau神经元卷积。
- Ils offrent des résultats de reconnaissance extrêmement précis。
- il peuvent être entraînés à de nouvelles tâches de reconnaissance, ce qui vous permet de vous appuyer sur des réseaux préexistants。
深度学习工作流。Les images sont transmises au réseau神经元卷积自动扩展Les caractéristiques et classifie Les objects。
Les réseaux neuronaux convolutifs offrent une architecture optimale pour découvrir et apprenre Les principales caractéristiques des images et des séries temporelles。Les réseaux neuronaux convolutifs sont une technology不可抗力，notamans Les applications for:
- En imagerie médicale: les réseaux neuronaux convolutifs peuvent examiner des milliers de rapports de pathologie afin de détecter la présence ou non de cellules cancéreuses dans les images。
- En traitement音频: la détection de mots-clés peut être utilisée sur n'importe quel dispositif doté d'un麦克风，de manière à détecter la发音d'un mot ou d'une短语spécifique(«Dis Siri»)。Les réseaux neuronaux convolutifs peuvent apprendre et détecter avec précision un mot-clé tout en ignorant toutes Les autres phrases, indépendamment de l' environment。
- Détection des panneaux停止: la conduite s'appuie sur les réseaux neuronaux convolutifs pour détecter avec précision la présence d 'UN panneau ou de tout autre对象和ainsi prenre des décisions en function du résultat。
- Génération de données synthétiques: grâce auxréseaux拮抗剂génératifs (GAN)， il est possible de produire de nouvelles images qui seront utilisées dans des applications de Deep Learning, notamment pour la reconnaissance facale et la conduite autonome。
En savoir +
Un réseau神经元卷积peut comporter des dizaine ou des centaines de couches, chacune学徒à détecter différentes caractéristiques d'une图像。Des filres sont appliqués à chque image d'学徒à différentes résolutions, et 万博 尤文图斯la sortie de chque image convoluée est utilisée comme entrée de la couche suivante。Les filters peuvent porter sur des caractéristiques très simples, telles que la luminosité et Les contour, et croitre en complexité sur des caractéristiques qui définissent l’objet de manière unique。
徒弟de caractéristiques，沙发等分类
À l'instar des autres réseaux neuronaux, UN réseau神经元卷积est composé d'une couche d'entrée, d'une couche de sortie et de nombreuses couches intermédiaires cachées。
Ces沙发有效des opérations qui modifient les données dans le but d' apprenre des caractéristiques spécifiques aux données。Les trois couches Les + courantes sont: la couche de convolution, la couche d'activation ou ReLu和la couche de pooling。
- 睡椅卷积Applique UN ensemble de filters convolutifs aux images d'entrée, chacun d’entre eux activant ceres caractéristique des images。
- La微微前倾的Unité Linéaire Rectifiée (ReLu)永久的联合国学徒加rapide等加效果en remplaçant les valeurs négatives par des zéros et en保守les valeurs positive。Ce procédé est parfois appelé激活，汽车seules les caractéristiques activées sont transises à la couche suivante。
- 睡椅池简化la sortie en réalisant UN sous-échantillonnage non linéaire, ce qui permet ainsi de réduire le nombre de paramètres que le réseau doit apprendre。
Ces opérations sont répétées sur des dizaine ou des centaines de couches, chque couche学徒à identifier différentes caractéristiques。
示例d'un réseau composé de nombreuses couch卷积。Des filres sont appliqués à chque image d'学徒à différentes résolutions, et 万博 尤文图斯la sortie de chque image convoluée est utilisée comme entrée de la couche suivante。
Pondérations et biais partagés
这样的宣传栅网神经元分类，UN réseau神经元卷积tif possède des神经元avec des pondérations et des biais。Le modèle徒弟价值论au cours du processus d' apprentice, et les met continuellement à jour à新徒弟实例。Toutefois, dans le cas des réseaux神经科学家卷积，les pondérations et les value de biais sonentidentiques pour tous les神经元cachés d'une couche donnée。
Concrètement, cela signifie que l'ensemble des neurones cachés détectent la même caractéristique (par example, un contour ou un blob) dans différentes régions de l'image。Ainsi, le réseau devient tolérant à la translation d' objects dan une image。例如，un réseau entraîné à reconnaître des voitures sera en measurement d'identifier un véhicule, quel que soit son emplacement dans l'image。
沙发分类
套件à l' apprentice tissage des caractéristiques dans de nombreuses couches, l'architecture d'un réseau神经元卷积通道à la分类。
L'avant-dernière couche, entièrement connectée, génère un vecteur de K维，où K est le nombre de classes que le réseau sera capable de prédire。Ce矢量大陆les probabilités d’appartind’une图像à chacune des classes。
La dernière couche de l'architecture du réseau神经元卷积利用une couche de classification tell le que softmax pour générer La sortie de La classification。
MATLAB®用深度学习工具箱™Vous permet deconevoir, d'entraîner et de déployer des réseaux neuronaux卷积。
MATLAB提议unlarge choix de modèles préentraînés issus de la communauté du Deep Learning, que vous pouvez utiliser pour apndre et identifier les caractéristiques d'un nouveau jeu de données。Cette méthode, nommée徒弟par transfer, est un moyen utile d'exploiter le Deep Learning sans avoir à partir de zéro。Des modèles comme GoogLeNet, AlexNet et Inception offrent un point de départ pour découvrir le深度学习，en tirant parti d'architectures éprouvées conçues par Des experts。
Concevoir et entraîner des réseaux
Avec深度网络设计师，vous pouvez进口商des modèles préentraînés ou新凸点modèles à partir de zéro。
应用深度网络设计器倒凹，可视化等修改器des réseaux de深度学习交互。
Vous pouvez également entraîner des réseaux指导应用程序和监视学徒的方法tracés des métriques de précision, de perte et de validation。
利用modèles préentraînés pour l' apprentice par transfer
La mise au point d'un réseau préentraîné avec学徒工可以转移Est une méthode généralement beaucoup + rapide et + facile que l'徒弟à partir de zéro。Il s'agit de la méthode qui nécessite la quantité de données et de resources de compute la plus faible。L' apprentice age par transferuse les connaisances d'un type de problème pour résoudre des problèmes similaires。你的毕业典礼réseau préentraîné和你的新学习方法tâche。L'un des优势de L'徒弟转让réside丹勒事实le réseau préentraîné déjà appris un vaste ensemble de caractéristiques。Ces caractéristiques peuvent être appliquées à une大型游戏d'autres tâches similaires。例如，vous pouvez utiliser un réseau entraîné sur des millions d'images et l'entraîner à nouveau pour une nouvelle classification d' objects avec seulement quelques centaines d'images。
Accélération hardware avec des GPU
Un réseau神经元卷积est entraîné sur des centaines, des milliers, voire des million d'images。Lorsque vous travaillez avec de grandes quantités de données et des architectures de réseaux complex, les GPU peuvent accélérer considérablement le temps de traitement nécessaire pour entraîner un modèle。
Le GPU NVIDIA®accélère les tâches密集en计算telles que le深度学习。
En savoir +
应用程序实用des réseaux neuronaux卷积
检测d 'objets
La détection d' objects désigne le processing de localization et de classification des objects dans les images et les vidéos。计算机视觉工具箱offre des modèles d'学徒倒créer des détecteurs d'对象basés sur le深度学习à l'aide de YOLO et de Faster R-CNN。
Détection de mots-clés avec le深度学习
Cet示例插图评论entraîner un détecteur d' objs avec le Deep Learning et un algorithme de région utilisant des réseaux neuronaux convolutifs (R-CNN)
Détection de mots-clés
La侦察发声est utilisée dans La détection de mots-clés, qui包含à reconnaître des mots ou短语spécifiques et à les utiliser comme指令。Elle est，例如utilisée pour activer des dispositifs et allumer des lumières。
Détection de mots-clés avec le深度学习
Cet示例蒙特评论utiliser MATLAB倒标识符等détecter la présence de commands vocales dans les contenus audio et comment ces commands peuvent être exploitées dans le domaine des technologies d'assistance vocale。
分割semantique
Les réseaux neuronaux convolutifs sont utilisés dans la segmentation sémantique pour associer chque pixel d'une image à une étiquette de classe correspondante。La segmentation sémantique interent dans de nombreuses applications telles que La conduite autonome, les contrôles industriels, La classification de terrain et l'imagerie médicale。Les réseaux neuronaux convolutifs成分la base de la construction d'un réseau de segmentation sémantique。
Cet - example montre comment utiliser MATLAB pour concevir un réseau de segmentation sémantique, qui identifiera chque pixel de l'image avec une étiquette correspondante。
MATLAB提出des outils et des fonctionnalités pour tout ce qui a trait au Deep Learning。Utilisez les réseaux neuronaux convolutifs pour richir vos工作流dans le域du tritement du信号，de la计算机视觉ou des通信et des雷达。
En savoir + sur les réseaux神经宇航员卷积
Les产品qui支持l'utili万博1manbetxsation de réseaux neuronaux卷积倒l'分析d'图像包括MATLAB，计算机视觉工具箱，统计和机器学习工具箱™等深度学习工具箱．
Les réseaux neuronaux convolutifs nécessitent深度学习工具箱．L'学徒等la prédiction sont supportés sur 万博1manbetxles GPU兼容CUDA®Dotés d'une capacité de计算3.0 ou supérieure。L'utilisation d'un GPU est fortement conseillée et nécessite并行计算工具箱．
视频
例子等démonstrations
引用logicielles
30个小时的版本
有什么问题吗?
您也可以从以下列表中选择一个网站: