你好。我的名字是Gabriel Ha，我在这里向你们展示MATLAB如何从零开始简单地创建一个深度神经网络。我们的演示有特定的应用程序到图像的处理和识别，但我们觉得图像很容易联系起来。这是神经网络的一个非常著名的应用。最重要的是，我们希望让每个人都能接触到深度学习，你将能够得到我们展示给你的所有东西，并在它们的基础上进行构建，并开始自己使用自己的网络。
所以对于那些非常熟悉训练网络的人，以及使它们更准确的技术，MATLAB对你来说是很棒的，因为，正如你所期望的，我们为你提供直观的语法和函数，这将允许你轻松地实现你的改进。对于那些刚接触深度学习领域并想要涉足这项技术的人来说，你能立即做的事情可能仅限于图像识别，但我相信它会为你提供足够多的材料来入门，并在神经网络中获得很多乐趣。
这就是我们要做的。我们想训练一个网络来识别四种不同的动物:猫、狗、青蛙和鹿。为了做到这一点，我们将把每种动物的图像引入我们的网络，定义网络的层，然后，使用一行代码，告诉MATLAB从头开始训练和创建我们的网络。然后，我们将通过向它展示它从未见过的新图像来测试我们的网络，并检查其准确性。
为了进行设置，我们将进入这个目录，并将每种动物的5000张图像画到单独的文件夹中。现在，如果你计算一下，总共有2万张图片。对于那些只是想尝试这个的人，你可能会想，“等等，所以你希望我看这个视频，然后在我开始之前就去整理2万张图片?”嗯，如果你想，你可以，或者你可以这样做，我们已经做过了，利用已经完成的工作。
在本例中，我们从公开可用的CIFAR-10数据集中获得了所有图像，这实际上只需要下载和提取一个大ZIP文件。因此，值得庆幸的是，设置这个演示只取决于您的网络速度和处理器能力。话虽如此，从头开始训练一个网络确实需要相当多的数据，所以总是寻找机会来构建之前的工作，就像这个演示。
让我们看一下执行训练所需的核心代码。你可以看到这一部分，它指定了动物的名字，然后是这一部分，将MATLAB指向包含训练数据的文件夹。就设置而言，就是这样。
现在我们要告诉MATLAB如何训练深度网络。每个神经网络都有一系列的层，层数越多，网络就越深。现在每一层都从前一层接收数据，转换数据，然后传递数据。第一层接收原始输入图像，当我们到达最后一层时，它很可能会吐出原始图像中动物的正确名称。
这里是我们为这个例子选择实现的层。对于那些对这个领域完全陌生的人来说，你不可能从零开始想出所有这些层。另一方面，如果你是深度学习专家，我们为你提供精确实现你的层的工具。
但无论哪种情况，如果你想建立这个例子，只要把训练数据替换成你自己的，如果你觉得你能完成任务，就调整图层，用一行代码，MATLAB就能给你一个神经网络，训练你想要的任何东西，无论是动物还是你朋友的脸，这完全不是我在工作时间做的令人毛骨悚然的事情。
当然，训练是需要时间的。如果你只有CPU，这需要一段时间，但如果你有一个像这台机器一样的出色的GPU，这需要大约45秒。一旦完成，我们就可以继续测试我们的网络了。
让我们从最基本的开始。我们有一个包含每一种动物1000张图片的测试集——同样是从CIFAR-10方便地获得的。正如你所看到的，它的设置方式和训练集的目录完全一样。但最重要的是，该网络并没有在这些图像上进行训练。
我们将显示一张图像以及网络认为它是什么。那是一只鹿。正确的。那是一只狗。也是正确的。那是一只青蛙。电视台以为是猫。
我很确定你现在明白是怎么回事了，所以让我们加快速度吧。我们将让MATLAB运行这段代码，测试我们测试集中的所有图像。然后它会告诉我们网络整体表现的百分比。这个数字是鼓点，大约75%的准确率。嘿，对于45秒的训练来说，这还不算太糟。
需要注意的是，CIFAR-10图像非常小，而我们网络的第一层需要32 × 32 × 3的图像。虽然我们的代码确实调整了图像的大小，但您必须确定这对您的数据是否有意义。但是如果你有一大堆图像想要用神经网络进行分类，这里是如何用MATLAB进行分类的，你可以马上开始。
点击下面描述中的链接，获取代码并查看使用神经网络工具箱的文档。不要犹豫，给我们留下问题或评论。一如既往，感谢收看。
看看加布里尔做的这个应用。对准我。
伙计，这太诡异了。
