使用cnn深度学习受欢迎是由于三个重要因素:
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:
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。
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。
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。
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。
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。
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。
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。
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。
目标检测定位的过程和分类对象在图像和视频。计算机视觉工具箱™提供培训框架创建基于深度学习对象探测器使用YOLO和更快的R-CNN意思。
一个示例应用程序的语音关键词检测、识别特定的关键字或短语,可以使用它们作为一个指令。常见的例子是设备和醒来打开灯。
cnn使用语义分割识别图像中每个像素与相应的类标签。语义分割可用于应用程序像自动驾驶,工业检测、地形、分类和医学成像。卷积神经网络是构建语义分割的基础网络。
MATLAB提供的工具和功能深度学习。利用cnn来增强你的工作流在信号处理、计算机视觉、通信和雷达。