使用cnn进行深度学习之所以流行，有三个重要因素:

• CNN消除了人工提取特征的需要——特征直接由CNN学习。
• cnn能产生高度精确的识别结果。
• cnn可以接受重新培训，以完成新的识别任务，使您能够在已有的网络上进行构建。

CNN为图像和时间序列数据中的揭示和学习关键特征提供了最佳架构。CNN是应用程​​序中的关键技术，如：

• 医学成像：CNN可以检查数千个病理报告，以在目视检测图像中的存在或不存在图像。
• 音频处理:任何带有麦克风的设备都可以使用关键字检测，以检测某个单词或短语何时被说出(“嗨，Siri!”)。cnn可以准确地学习和检测关键字，而不管环境如何，忽略所有其他短语。
• 停车标志检测:自动驾驶依靠cnn精确检测标识或其他物体的存在，并根据输出做出决定。
• 合成数据生成： 使用生成的对抗网络（GANS）在美国，可以生成新的图像用于人脸识别和自动驾驶等深度学习应用程序。

了解更多

卷积神经网络可以具有数十或数百层，每个层每个都学会检测图像的不同特征。过滤器以不同分辨率应用于每个训练图像，并且每个卷绕图像的输出用作下一个层的输入。万博 尤文图斯过滤器可以从诸如亮度和边缘的非常简单的功能开始，以及对唯一定义对象的功能的复杂性增加。

特征学习、层和分类

像其他神经网络一样，CNN由一个输入层、一个输出层和许多隐藏层组成。

这些层执行改变数据的操作，目的是学习特定于数据的特性。最常见的三层是:卷积、激活(ReLU)和池化。

• 卷积通过一组卷积滤波器将输入图像放置，每个卷积滤波器激活图像中的某些功能。
• 整流线性单元（Relu）通过将负值映射为零并保持正值，可以实现更快、更有效的训练。这有时被称为激活，因为只有激活的特征才会进入下一层。
• 池通过执行非线性下行采样来简化输出，从而减少网络需要学习的参数数。

这些操作在数十层或数百层中重复，每一层学习识别不同的特征。

共同的权重和偏见

像传统一样神经网络，CNN具有具有重量和偏差的神经元。该模型在培训过程中学习这些值，并且它将其与每个新培训示例连续更新。然而，在CNNS的情况下，对给定层中的所有隐藏神经元的权重和偏置值是相同的。

这意味着所有隐藏的神经元都在检测图像不同区域的相同特征，比如边缘或斑点。这使得网络能够容忍图像中物体的平移。例如，一个经过训练的识别汽车的网络将能够识别图像中任何位置的汽车。

分类层

在多层学习特征后，CNN的架构转向分类。

倒数一层是一个完全连接的层，输出K维向量，其中K是网络能够预测的类的数量。这个向量包含任何图像被分类的每一类的概率。

CNN体系结构的最后一层使用诸如softmax之类的分类层来提供分类输出。

使用马铃薯^®和深度学习工具箱™使您可以设计，列车和部署CNN。

MATLAB提供了大量来自深度学习社区的预训练模型，可用于从新数据集学习和识别特征。这种方法被称为迁移学习，是一种不用从零开始就可以应用深度学习的便捷方法。像GoogLeNet、AlexNet和Inception这样的模型提供了一个探索深度学习的起点，利用专家构建的经过验证的架构。

设计和培训网络

使用Deep Network Designer，您可以导入备用模型或从头开始构建新型号。

您还可以直接在应用程序中培训网络，并监控具有精度，丢失和验证度量的绘图的培训。

使用预先训练的模型进行迁移学习

对预先训练好的网络进行微调转移学习通常比从头开始训练更快更容易。它需要最少的数据量和计算资源。迁移学习用一种问题中的知识来解决类似的问题。你从一个预先训练过的网络开始，用它来学习一项新任务。迁移学习的一个优点是，预先训练的网络已经学习了一组丰富的特征。这些特性可以应用于其他类似的任务。例如，你可以在数百万张图像上训练一个网络，然后再使用数百张图像对它进行新的目标分类。

使用GPU的硬件加速度

卷积神经网络是在成百上千甚至上百万的图像上训练的。当处理大量数据和复杂的网络架构时，gpu可以显著加快处理时间来训练模型。

了解更多