使用cnn深度学习受欢迎是由于三个重要因素:

• CNN消除需要手动功能extraction-the特性是由CNN直接学习。
• cnn产生高度准确的识别结果。
• cnn可以接受再培训以得到新的识别任务,使您能够建立在已有的网络。

cnn提供一个最佳的架构发现和学习关键特性在图像和时间序列数据。cnn是应用的关键技术如:

• 医学成像:cnn可以检查成千上万的病理报告视觉检测癌细胞的存在与否的图像。
• 音频处理:关键字检测可用于任何设备和麦克风来检测某些词或短语时口语——(“嘿Siri !”)。cnn可以准确地学习和检测关键字而忽略所有其他短语无论环境。
• 停车标志检测:自动驾驶依靠cnn准确检测信号的存在或其他对象和基于输出做出决定。
• 合成数据生成:使用生成对抗网络(甘斯),可以产生新的图像用于深度学习应用程序包括人脸识别和自动驾驶。

了解更多

一个卷积神经网络可以有几十或几百个层,每个学会检测图像的不同特征。过滤器是用于每个训练不同分辨率的图像,和每个图像卷积的输出作为下一层的输入。万博 尤文图斯过滤器可以是非常简单的特性,如亮度和边缘,和增加复杂性定义对象特有的功能。

功能学习、层和分类

像其他神经网络,CNN是由一个输入层、输出层,和许多隐藏层。

这些层的意图改变数据执行操作学习特性的数据。最常见的三层:卷积,激活或ReLU,池。

• 卷积将输入图像通过一组卷积过滤器,其中每个激活某些功能的图像。
• 修正线性单元(ReLU)允许更快和更有效的培训通过映射负值为零和保持积极的价值观。这是有时被称为激活,因为只有激活特性被结转到下一层。
• 池简化了通过执行非线性输出将采样,减少参数的数量,网络需要学习。

这些操作是重复几十或几百个层,每一层学习识别不同的特性。

共享的重量和偏见

像一个传统神经网络CNN神经元,重量和偏见。模型在培训过程中学习这些值,与每个新的培训,它不断更新他们的例子。然而,在美国有线电视新闻网(cnn)的情况下,权重和偏置值是相同的所有隐藏的神经元在给定层。

这意味着所有隐藏的神经元检测是相同的功能,比如边缘或blob,不同地区的形象。这使得翻译网络宽容的对象在一个图像。例如,一个网络训练认识汽车将能够这样做无论汽车的形象。

分类层

后学习特性在很多层,CNN的体系结构转移到分类。

倒数第二层是一个完全连接层,输出向量的K维K类的数量,网络将能够预测。这个向量包含任何图像的概率为每一个类被分类。

CNN架构使用的最后一层一层分类如softmax提供分类的输出。

使用MATLAB^®与深度学习工具箱™使您可以设计、训练和部署cnn。

MATLAB提供了一套大型的pretrained模型深度学习社区,可以用来学习和识别特性从一个新的数据集,这种方法称为转移学习,是一种方便的方法应用深度学习不用从头开始。模型像GoogLeNet AlexNet和《盗梦空间》提供了一个起点,探索深度学习,利用经过验证的体系结构由专家。

设计和培训网络

使用深度网络设计师,您可以导入pretrained从头模型或建立新的模型。

你也可以训练网络直接在应用程序中,并监控训练块准确性,损失,和验证指标。

学习使用Pretrained模型传输

微调pretrained网络转移学习通常是快得多,也更容易比从头开始训练。它需要最少的数据和计算资源。学习使用知识从一种类型的问题转移到解决类似的问题。你开始pretrained网络,用它来学习一个新任务。转移学习的一个优点是,pretrained网络已经学会了一组丰富的功能。这些特性可以应用于广泛的其他类似的任务。例如,您可以对数以百万计的网络训练图像和培训为新对象分类仅使用成百上千的图片。

与gpu硬件加速

卷积神经网络训练成百上千,成千上万,甚至上百万的图像。当处理大量的数据和复杂的网络架构,gpu可以显著加快处理时间来训练一个模型。

了解更多