L ' utilzzo delle CNN per il深度学习è diffuso per via di tre fattori importanti:

• Le CNN消除la necessità di estarre manual Le feature in quanto queste vengono apprese direttamente dalla CNN。
• 一个精确的计算公式
• CNN每一个新事物都有自己的想法attività我们有自己的想法，我们有自己的想法。

Le CNN forniscono un 'architettura timale per identiare e apprendere Le feature chiave in dati想象e serie storiche。Le CNN rappresentano una technology chiave in applicazioni come:

• 成像biomedico:美国有线电视新闻网在grado di analizzare migliaia di esami medici per rilevare visivamente l ' final presenza di cellule tumorali nelle immagini。
• Elaborazione音频:我的语言语言può我的语言语言语言può我的语言语言语言语言(“你好，Siri!”)。Le CNN sono在grado di apprendere re rilevare con precisione Le parole, chiave tralasciando tutto il resto，独立于环境。
• 我要停止: la guida autonoma sfrutta le CNN每一项决策都是基于所有输出的。
• 中国数据的发展:中音l ' utilzzo di视网膜生积性食道è可能的程序在应用深度学习，tra cui il riconscimentto facciale e la guida autonomous。

Per saperne di più

Una rete neurale convoluzionale può avere decine o centinaia di layer, ciascuno dei quali学徒特征多样化di un ' imagination。在每一层连续的输入中，应用过滤不同的输出。我过滤所有的精华精华的初始化的特征molto semplici, ad esempio la luminosità o I bordi, e diventare sempre più complessi fino a include特征che definiscono in modo univoco l 'oggetto。

徒弟到delle特征，分层分类

类比ad altre reti neurali, una CNN è costituita da un layer di input, un layer di output e tanti layer intermedii nascosti。

问题一层，具体的，具体的，具体的，具体的，具体的，详细的，详细的，详细的，详细的，详细的，详细的，详细的。Tre dei层più diffusi sono: la convoluzione, l 'attivazione o ReLU e il pooling。

• 拉convoluzione输入一种卷积过滤，一种定性确定的特征。
• L 'unità lineare rettificata (ReLU)同意联合国决议più迅速有效的方式，无效的方式，零的方式，积极的方式。Questa operazione è talvolta definitaattivazione， dal momento che solo le特征，激发了vengoro的层层递进。
• 伊尔池输出中间量下采样非线性，在计算参数的基础上的改进。

我要重申的是，这是一层，这是一层，这是不同的特征。

有条件的偏见

类比a una网neurale传统的，这是CNN可能产生的神经偏见。我的模型，学徒，问，valesti, durante, l 'addestramento, e, li, aggiorna, costantemente, con, ogni, nuovo, esempio, di, addestramento。Tuttavia, nel caso delle CNN，在不确定层中，在不确定层中，在不确定层中，在不确定层中，在不确定层中，在不确定层中，在不确定层中，在不确定层中，在不确定层中，在不确定层中。

Ciò在不同的aree dell’immagie中，显着的图画我的神经，nascosti rilevano la stessa特征，来bordi o macchie。Ciò在你的想象中，你的内心世界真主安拉。Ad esempio, una rete addestrata a riconoscere automobile ili sarà在grado di farlo independence dal tipo di automobile presente nell ' immage。

第二层分类

数字层的Dopo aver appreso le特征，l 'architettura di una passa真主安拉classificazione。

Il penultimo layer è un layer compleente conesso che emette un vettore di dimensioni K dove K è Il numero di classi che la rete sarà在grado di prevedere。问题的连续性probabilità每ciascuna类di qualsiasi想象分类。

L 'ultimo layer dell 'architettura CNN使用unlayer di classificazione来unsoftmax per fornire L 'output della classificazione。

UtilizzandoMATLAB^®反对深度学习工具箱™e的可行性progettare, addestare e distribuire CNN。

MATLAB提供了一种全新的数学模型，一种基于社区的深度学习方法，可用于新数据集的特征识别。Questo metodo, chiamato迁移学习，è un modo方便per applicare il深度学习senza partire da zero。Modelli come GoogLeNet, AlexNet e Inception forniscono un punto di partenza per esperti深度学习e trarre vantaggio da architecture efficaci costruite da esperti。

Progettazione e addestramento di reti

利用深度网络设计师，sarai在grado di importare modelli预addestrati o costruire nuovi modelli da 0。

È在可能的地址中，我们可以看到，我们可以看到，我们可以看到，我们可以看到，我们可以看到。

利用模型预处理迁移学习

Ottimizzare una rete pre addestrata mediante转移学习è in generere una soluzione molto più rapida e semplice rispetto all 'addestramento da zero。La quantità di dati e le risorse computazionali richieste sono minime。迁移学习利用概化导数和求解相似问题的方法。在新生的土地上，我们可以利用新生的土地attività。Un vantaggio del迁移学习è che la rete pre-addestrata ha già appreso Un esteso set di feature。任务特征所有人必须应用一个una vasta gamma di attività simili。广告esempio e相信prendere una网addestrata苏milioni di immagini e riaddestrarla per una nuova classificazione di oggetti utilizzando独奏centinaia di immagini。

加速器硬件控制GPU

卷积神经网è神经网，神经网，神经网。Quando si lavora con grandi quantità di dati e con architecture di rete complesse, le GPU所有的加速和体积的速度di精细的必要的每一个地址和模型。

Per saperne di più