由于三个重要因素，使用CNN进行深度学习很受欢迎：

• CNN消除了手动特征提取的需要，特征由CNN直接学习。
• CNN产生高度准确的识别结果。
• CNN可以针对新的识别任务进行重新培训，使您能够在现有网络上进行构建。

CNN为发现和学习图像和时间序列数据中的关键特征提供了最佳体系结构。CNN是以下应用中的关键技术：

• 医学影像：CNN可以检查数千份病理报告，以直观地检测图像中是否存在癌细胞。
• 音频处理：关键字检测可用于任何带有麦克风的设备，以检测何时说出某个单词或短语（“嘿，Siri！”）。CNN可以准确地学习和检测关键字，同时忽略所有其他短语，而不管环境如何。
• 停车标志检测：自动驾驶依靠CNN准确检测标志或其他物体的存在，并根据输出做出决策。
• 合成数据生成：使用生成性对抗网络（GAN），可以生成新图像用于深度学习应用，包括人脸识别和自动驾驶。

了解更多

卷积神经网络可以有几十层或数百层，每层都可以学习检测图像的不同特征。滤波器以不同的分辨率应用于每个训练图像，每个卷积图像的输出用作下一层的输入。过滤器可以从非常简单的特征开始，例如亮度和边缘，并增加唯一定义对象的特征的复杂性。万博 尤文图斯

特征学习、图层和分类

与其他神经网络一样，CNN由输入层、输出层和中间的许多隐藏层组成。

这些层执行更改数据的操作，目的是学习特定于数据的特性。最常见的三个层是：卷积、激活或ReLU和池。

• 卷积将输入图像通过一组卷积滤波器，每个卷积滤波器激活图像中的某些特征。
• 校正线性单元（ReLU）通过将负值映射为零并保持正值，允许更快、更有效的培训。这有时称为激活，因为只有激活的特征才会被带入下一层。
• 汇集通过执行非线性下采样简化输出，减少网络需要学习的参数数量。

这些操作在数十层或数百层上重复，每层学习识别不同的特征。

共享权重和偏差

像传统的神经网络，CNN的神经元具有权重和偏差。模型在训练过程中学习这些值，并使用每个新的训练示例不断更新这些值。然而，在CNN的情况下，给定层中所有隐藏神经元的权重和偏差值是相同的。

这意味着所有隐藏的神经元都在图像的不同区域检测相同的特征，如边缘或斑点。这使得网络能够容忍图像中对象的平移。例如，经过培训的识别汽车的网络将能够在图像中的任何位置识别汽车。

分类层

在学习了许多层的特征之后，CNN的体系结构转向了分类。

下一层是一个完全连接的层，它输出一个K维向量，其中K是网络能够预测的类数。该向量包含任何被分类图像的每一类的概率。

CNN体系结构的最后一层使用分类层（如softmax）来提供分类输出。

使用MATLAB^®具有深度学习工具箱™使您能够设计、培训和部署CNN。

MATLAB提供了深度学习社区的大量预训练模型，可用于从新数据集中学习和识别特征。这种方法称为转移学习，是一种应用深度学习的便捷方法，无需从头开始。GoogLeNet、AlexNet和Inception等模型提供了探索深度学习的起点学习，利用专家构建的经验证的体系结构。

设计和培训网络

使用Deep Network Designer，您可以导入预先训练的模型或从头构建新模型。

您还可以直接在应用程序中培训网络，并使用准确性、损失和验证指标图监控培训。

使用预训练模型进行迁移学习

使用迁移学习通常比从头开始训练要快得多，也容易得多。它需要最少的数据量和计算资源。迁移学习使用一类问题的知识来解决类似的问题。你从一个预先训练好的网络开始，用它来学习一项新任务。迁移学习的一个优点是，经过预训练的网络已经学习到了一组丰富的特征。这些功能可以应用于其他类似的任务。例如，您可以对一个网络进行数百万张图像的训练，然后仅使用数百张图像对其进行重新训练，以进行新的对象分类。

基于gpu的硬件加速

卷积神经网络可以训练成百上千甚至上百万的图像。当处理大量数据和复杂的网络架构时，GPU可以显著加快训练模型的处理时间。

了解更多