从系列:浅谈深学习
Shyamal帕特尔,MathWorks公司
约翰娜Pingel,MathWorks公司
探索卷积神经网络背后的基本知识(细胞神经网络)在此MATLAB®技术讲座。概括地说,细胞神经网络是一种常见的深度学习建筑 - 但究竟什么是CNN?此视频击穿这个有时复杂的概念转化为易于理解的部分。您将了解三个概念:局部感受野,共享权重和偏见,并激活和池。
视频这三个概念,你展示了如何配置层在CNN拉在一起。
您还可以了解3种方式培养细胞神经网络进行图像分析。这些措施包括:1)培训从头模型;2)使用迁移学习(基于这样的想法,你可以使用一种类型的问题,要解决类似的问题)方面的知识;3)使用预训练CNN提取特征训练机器学习模型。
了解更多关于使用MATLAB进行深度学习。
记录:2017年3月24日
卷积神经网络,或者CNN,是深度学习的网络架构。它直接从图像学。甲CNN是由若干层组成,用于处理和变换的输入,以产生输出。
你可以训练CNN做图像分析任务,包括场景分类,目标检测和分割,和图像处理。为了了解细胞神经网络是如何工作的,我们将涵盖三个关键概念:局部感受野,共享权重和偏见,并激活和池。
最后,我们将简要讨论的三种方式来培养细胞神经网络进行图像分析。
因此,让我们与当地的感受野的概念开始。在一个典型的神经网络,在输入层每个神经元被连接到隐藏层中的神经元。然而,在CNN,只输入层的神经元所连接的一个小的区域,以在隐藏层的神经元。这些区域被称为当地的感受野。
局部感受域跨越的图像转换为创建从输入层到隐藏层的神经元的特征地图。您可以使用卷积有效地实现这一进程。这就是为什么它被称为卷积神经网络。我们要讨论的第二个概念是关于共享的重量和偏见。
就像一个典型的神经网络,CNN与重量和偏见神经元。该模型在训练过程中学习这些价值观,并不断与每一个新的训练示例更新它们。然而,在细胞神经网络的情况下,权重和偏置值是在给定的层中的所有隐含神经元是相同的。
这意味着所有的隐藏神经元被检测相同的特征,例如边缘或一个blob,在图像的不同区域。这使得网络海纳对象的平移的图像。例如,网络培训,认识的猫将能够这样做,只要猫的形象。
我们的第三个和最后一个概念是激活和池。激活步骤通过使用激活函数应用于变换到每个神经元的输出。整流线性单元,或RELU,是一种常用的激活函数的一个例子。它需要一个神经元的输出,并将其映射到最高正值。
或者,如果输出为负,则函数它映射到零。可以通过应用汇集步骤进一步转变活化步骤的输出。池由神经元的小区域的输出冷凝成一个单一的输出降低了功能的地图的维数。这有助于简化下面层和减少该模型需要学习的参数的数量。
现在,让我们把它放在一起。使用这三个概念,我们可以配置在CNN层。甲CNN可以具有几十或几百个隐藏层的每个学习图像中的,以检测不同的特征。在此特征图,我们可以看到,每一个隐藏层增加了的学习图像特征的复杂性。
例如,第一隐藏层学会如何检测边缘,最后学习如何检测更复杂的形状。就像在一个典型的神经网络,最终的层连接的每个神经元,从最后一个隐含层到输出神经元。这产生最终输出。有三种方法使用细胞神经网络进行图像分析。
第一种方法是从头训练CNN。这种方法是非常准确的,但它也是最有挑战性的,因为你可能需要几十万标记的图像和显著的计算资源。
第二种方法依赖于传输的学习,这是基于这样的想法,你可以使用一个类型的问题的知识来解决类似的问题。例如,你可以使用已培养了CNN模型来识别动物初始化和训练一个新的模型,车与车之间分开来。
此方法需要比第一少的数据和更少的计算资源。有了第三种方法,你可以使用预训练的CNN提取特征用于训练机器学习模型。例如,已经了解了如何在图像中检测边缘的隐藏层是广泛地从许多不同的域来的图像相关。这种方法需要的数据和计算资源的量最少。
我希望你发现这个视频非常有用。欲了解更多信息,请访问MathWorks.com/deep-learning。
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。