什么是深度学习？
你需要知道的三件事
深度学习是机器学习技术，教计算机做什么顺其自然人：学习的榜样。深度学习是无人驾驶汽车背后的关键技术，使他们认识到一个站牌，或区分灯柱行人。它的关键是在消费设备，如手机，平板电脑，电视，和免提扬声器语音控制。深学习近来有很好的理由获得了大量的关注。它实现这一以前不可能实现的结果。
在深度学习中，计算机模型学习直接从图像、文本或声音执行分类任务。深度学习模型可以达到最先进的准确性，有时甚至超过人类水平的表现。模型通过使用一组包含许多层的标记数据和神经网络结构进行训练。
如何深度学习获得如此骄人的成绩？
总之，准确性。深度学习水平高于以往任何时候都实现了识别的准确性。这有助于消费类电子产品满足用户的期望，它是像无人驾驶汽车安全关键型应用的关键。在深度学习的最新进展已经提高到了这种地步深度学习性能优于像图片中的物体进行分类的一些任务人类。
虽然深度学习在20世纪80年代首次被理论化，但它直到最近才变得有用，主要有两个原因：
- 深度学习需要大量的标记的数据.例如，无人驾驶汽车的发展需要上百万小时的视频影像和数以千计。
- 深度学习需要大量的计算能力. 高性能gpu有一个并行架构，可以有效地进行深度学习。当与集群或云计算相结合时，这使得开发团队能够将深度学习网络的培训时间从几周减少到几小时或更少。
工作中深入学习的例子
深学习应用在从自动驾驶的医疗器械行业。
自动驾驶：汽车研究人员正在利用深度学习自动检测停车标志和红绿灯等物体。此外，深度学习被用于检测行人，这有助于减少事故。
航空航天与国防：深度学习用于从卫星上识别目标，定位感兴趣的区域，并识别部队的安全或不安全区域。
医学研究：癌症研究人员正在使用深度学习自动检测癌细胞。在UCLA团队建立了产生高维数据集用于训练深学习应用精确地识别癌细胞的高级显微镜。
工业自动化：深度学习有助于提高工人在重型机械周围的安全性，通过自动检测人或物体是否在机器的不安全距离内。
电子：深学习自动化的听力和语音翻译中使用。例如，家庭辅助装置，为你的声音响应，并知道你的喜好由深学习应用供电。
有多深学习工作原理
最深刻的学习方法使用神经网络架构，这就是为什么深学习模型通常被称为深层神经网络.
术语“深”通常指的是神经网络中隐藏层的数量。传统的神经网络只包含2-3个隐藏层，而深层网络可以有多达150个。
深度学习模型是通过使用大集，直接从数据学习功能，无需手动特征提取标记数据和神经网络结构的训练。
图1：神经网络，其在由一组相互连接的节点的层次构成。网络可以有数十或数百个隐藏层。
图2：与许多卷积层的网络的实施例。过滤器以不同的分辨率施加到每个训练图像，并且每个卷积图像的输出作为输入到下一层。万博 尤文图斯
细胞神经网络学会使用检测数十或数百个隐藏层的图像的不同特征。每个隐藏层增加了的学习图像特征的复杂性。例如，第一隐层可以学会怎样去检测边缘，最后学会如何检测更复杂的形状特别迎合我们试图识别物体的形状。
机器学习和深度学习有什么区别？
深度学习是机器学习的一种特殊形式。相关特征的机器学习工作流开始被手动地从图像中提取的。然后特征被用于创建分类的图像中的对象的模型。随着深度学习的工作流程，相关功能将自动从图像中提取。此外，深度学习执行“终端到终端的学习” - 在网络被赋予原始数据和要执行的任务，如分类，并学会如何自动执行此操作。
另一个关键的区别是深刻的学习算法扩展了数据，而浅的学习收敛。浅的学习是指机器学习方法是在高原性能一定水平，当你添加更多的实例和训练数据网络。
深学习网络的一个重要优势是，他们经常不断地改善，因为您的数据的大小增加。
图3。比较机器学习方法对车辆分类（左）和深度学习（右）。
在机器学习，你手动选择功能和分类进行排序图像。凭借深厚的学习，特征提取和建模步骤都是自动的。
选择机器学习和深度学习之间
机器学习提供了多种技术和模型，您可以根据您的应用程序、正在处理的数据的大小以及您要解决的问题的类型进行选择。一个成功的深度学习应用程序需要大量的数据（数以千计的图像）来训练模型，以及的GPU或图形处理单元，以快速处理数据。
在选择机器学习和深度学习时，请考虑您是否有高性能的GPU和大量标记数据。如果你没有这两样东西，用机器学习代替深度学习可能更有意义。深度学习通常更为复杂，因此至少需要几千张图片才能获得可靠的结果。拥有一个高性能的GPU意味着模型将花费更少的时间来分析所有这些图像。
如何创建和火车站深学习模式
人们使用深度学习执行对象分类的三种最常见的方法是：
从无到有的训练
为了从头开始训练一个深度网络，您需要收集一个非常大的标记数据集，并设计一个网络架构来学习这些特性和模型。这对于新应用程序或具有大量输出类别的应用程序很好。这是一种不太常见的方法，因为有大量的数据和学习速度，这些网络通常需要几天或几周的时间来训练。
特征提取
一个不太常用的，更专业的方法来深学习是利用网络作为一个特征提取.由于所有的层从图像学的某些功能的任务，我们可以在训练过程中随时拉这些功能在网络之外。然后，这些特征可以被用作输入到一个机器学习模型例如万博1manbetx支持向量机（SVM）.
利用gpu加速深度学习模型
培训了深刻的学习模型可能需要很长的时间，从几天到几周。使用GPU加速可以显著加快这一进程。使用MATLAB与GPU减少了列车内的网络，可以从天缩短训练时间，图像分类问题降低到小时所需要的时间。在训练中深学习模型，MATLAB使用的GPU（如果可用），而不需要您如何理解编程的GPU明确。
图4.深度学习工具箱从头开始训练自己的CNN或利用转移学习预训练模式命令。
MATLAB使深入学习变得容易。借助管理大型数据集的工具和功能，MATLAB还提供了专门的工具箱，用于机器学习、神经网络、计算机视觉和自动驾驶。
随着代码只需要几行，MATLAB让你做深度学习而不专家。快速上手，创建和可视化模型和部署模型，服务器和嵌入式设备。
团队是成功使用MATLAB进行深度学习，因为它可以让你：
- 只需几行代码就可以创建和可视化模型。
- 进行深度学习而没有一个专家。
- 自动地标记图像和视频的地面真相。
- 在单个工作流集成深度学习。
MATLAB允许您用最少的代码构建深度学习模型。使用MATLAB，您可以快速导入预训练模型，并在调整训练参数时可视化和调试中间结果。
您可以使用MATLAB学习并获得深入学习领域的专业知识。我们大多数人从未上过深度学习的课程。我们必须在工作中学习。MATLAB使学习这个领域变得实用和容易。此外，MATLAB使领域专家能够进行深入学习，而不是将任务交给不了解您的行业或应用程序的数据科学家。
MATLAB使用户能够在图像中交互地标记对象，并且能够在视频中自动地标记地面真相，以便训练和测试深度学习模型。这种交互式和自动化的方法可以在更短的时间内获得更好的结果。
MATLAB可以在一个工作流中统一多个域。使用MATLAB，您可以在一个环境中进行思考和编程。它为深度学习提供了工具和功能，也为一系列深入学习算法提供了工具和功能，如信号处理、计算机视觉和数据分析。
有了MATLAB，您可以将结果集成到现有的应用程序。MATLAB自动化企业系统，集群，云和嵌入式设备部署的深度学习模式。
查看更多深度学习功能并获得示例代码.
相关产品：s manbetx 845MATLAB,计算机视觉工具箱™,统计与机器学习工具箱™,深度学习工具箱™和自动驾驶工具箱™.
