由于三个重要因素,使用CNN为深度学习而流行:
CNN为图像和时间序列数据中的揭示和学习关键特征提供了最佳架构。CNN是应用程序中的关键技术,如:
卷积神经网络可以具有数十或数百层,每个层每个都学会检测图像的不同特征。过滤器以不同分辨率应用于每个训练图像,并且每个卷绕图像的输出用作下一个层的输入。金宝搏官方网站过滤器可以从诸如亮度和边缘的非常简单的功能开始,以及对唯一定义对象的功能的复杂性增加。
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。
像传统一样神经网络,CNN具有具有重量和偏差的神经元。该模型在培训过程中学习这些值,并且它将其与每个新培训示例连续更新。然而,在CNNS的情况下,对给定层中的所有隐藏神经元的权重和偏置值是相同的。
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。
接下来的层是一个完全连接的层,输出k尺寸的向量,其中k是网络将能够预测的类的数量。此矢量包含分类的每个类别的概率。
CNN架构的最终层使用诸如SoftMax的分类层来提供分类输出。
您还可以直接在应用程序中培训网络,并监控具有精度,丢失和验证度量的绘图的培训。
微调掠夺网络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Vision Toolbox™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。
语音到文本的示例应用是关键字检测,它识别某些关键词或短语,并且可以将它们用作指令。常见示例是唤醒设备并打开灯。
CNN用于语义分割,以用相应的类标签识别图像中的每个像素。语义分割可以用于自主驾驶,工业检验,地形分类等应用中,以及医学成像。卷积神经网络是构建语义分割网络的基础。
Matlab为所有深入学习的东西提供了一种工具和功能。使用CNN在信号处理,计算机视觉或通信和雷达中增加工作流程。
下载188bet金宝搏支持使金宝app用CNN进行图像分析的产品包括马铃薯那计算机Vision Toolbox™那统计和机器学习工具箱™, 和深度学习工具箱。
卷积神经网络需要深度学习工具箱。CUDA支持培训和预测金宝app®能力的GPU,计算能力为3.0或更高。强烈建议使用GPU并要求并行计算工具箱™。