由于三个重要因素,使用CNN为深度学习而流行:
cnn为揭示和学习图像和时间序列数据中的关键特征提供了一个优化的体系结构。cnn是一项关键的应用技术,如:
卷积神经网络可以有数十或数百层,每层都学习检测图像的不同特征。对每一幅不同分辨率的训练图像进行滤波,每一幅卷积图像的输出作为下一层的输入。万博 尤文图斯过滤器可以从非常简单的特征开始,如亮度和边缘,并增加复杂性,以唯一定义对象的特征。
与其他神经网络类似,CNN由输入层,输出层和之间的许多隐藏层组成。
这些图层执行更改数据的操作,其中包含特定于数据的学习功能。最常见的三层是:卷积,激活或释放和汇集。
这些操作重复超过数十或数百层,每层学习都会识别不同的特征。
像一个传统神经网络在美国,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,并在每个新的训练示例中不断更新它们。而对于cnn,给定层中所有隐藏神经元的权值和偏差值是相同的。
这意味着所有隐藏的神经元在图像的不同区域中检测到相同的特征,例如边缘或斑点。这使得网络容忍图像中对象的翻译。例如,训练识别汽车的网络将能够在汽车中的任何地方这样做。
在许多层中学习功能之后,CNN的体系结构转移到分类。
倒数一层是一个完全连接的层,输出K维向量,其中K是网络能够预测的类的数量。这个向量包含任何图像被分类的每一类的概率。
CNN架构的最终层使用诸如SoftMax的分类层来提供分类输出。
你也可以在应用程序中直接训练网络,并通过精确、损失和验证指标的图来监控训练。
对预先训练好的网络进行微调转移学习通常比从头划伤训练更快更容易。它需要最少的数据和计算资源。转移学习使用一种类型的知识来解决类似问题。您从备用网络开始,并使用它来学习新任务。转移学习的一个优点是佩带的网络已经学习了丰富的功能。这些功能可以应用于各种其他类似的任务。例如,您可以在数百万图像上培训网络,并使用数百个图像培训为新的对象分类。
卷积神经网络培训数百,数千甚至数百万图像。在使用大量数据和复杂的网络架构时,GPU可以显着速度加快处理时间来训练模型。
对象检测是在图像和视频中定位和分类对象的过程。计算机视觉工具箱™提供使用YOLO和更快的R-CNN创建基于深度学习的对象探测器的培训框架。
语音到文本的一个示例应用是关键字检测,它可以识别特定的关键字或短语,并将它们用作指令。常见的例子是唤醒设备和开灯。
利用cnn进行语义分割,通过分类标签识别图像中的每个像素。语义分割可用于自动驾驶、工业检测、地形分类和医学成像等应用。卷积神经网络是构建语义分割网络的基础。
MATLAB为所有东西的深度学习提供了一个工具和功能。使用cnn来增强信号处理、计算机视觉或通信和雷达方面的工作流程。