Die Verbreitete Nutzung von CNNSFÜR深度学习LässtSichAufDreiWesentliche FaktorenZurückführen：

• Beim Einsatz von CnnsEntwälltdiewengigkeitfürdie manuelle merkmalsextrion - Die Merkmale Werden Direkt Vom Cnn Erlernt。
• CNNSGewährleistenäußerspräziseErkennungsresultate。
• CNNS Lassen SichFürerkennungsaufgaben neu trainierenunderermöglichen如此DieAnknüpfung是耶稣顿Netze。

CNNS Bieten Eine Optimale ArchitekturFürdasErkennenunderlernen Wesentlicher Merkmale在Bild-und Zeitreihendaten。CNNS SIND EINESCHLÜSSELTECHNOLOGIE在南威登WIE：

• Medizinische Bildgedbung：CNNSKönnenBilder在Tausenden Von Pathologieberichten Visuell AUF Das Fehlen Oder Vorhandensein von KrebszellenÜberprüfen。
• verarbeitung von audiodaten.：Schlüsselwörterkönnen在einem beliebigengeräteinem mikrofon zur erkennung eines gespronenes麦克风麦克风einer短语genutzt werden（，嘿siri！'）。CNNSKÖNNENSCHLÜSSELWÖRTERPRÄZISESERLERNEN，ERKENNEN UND ZUGLEICH ALL ANDEREN PHRANN IGNORIEREN - UnabhängigVonder Umgebung。
• erkennung von stoppschildern.：CNNS Kommen Beim Automatisierten FahrenFüriePräziseErkennungvon Schildern oder Anderen Objekten Zum Einsatz und Tresfen AusgabenbasierteEntshedungen。
• Generierung Synthetischer日期：弥漫的von.生成的对抗网络（GANS）Lassen Sich Neue Bilder Zur Verwendung在深度学习 - 安威登·普通尼，UnterAnderemfü​​rieGesichtserkennungund Das Automatisierte Fahren。

Weitere信息

EIN卷积神经网络KANN DUTZENDE OADER SOGAR Hunderte Von Schichten Aufweisen。JEDE EINZELNE SCHICHT LERNT DIE ERKENNUNG UTERSCHIEDLICHER BILDMERKMALE。过滤器麻省人unterschiedlichenauflösungenwerden auf jedes培训yousynwandt und die ausgabe eines jeden faltungsbilds wird als eingabefürienächsteschicht genutzt。Die Einfachsten过滤器KönnenMerkmaleWie Helligkeit und Kanten Sein und Mit ZunehmenderKomplexitätMerkmaleUmfassen，Die Ein Objekt Eindeutig Defileirig Defieren。

Erlernen von Merkmalen，Schichten und Klassifikation

CNNS Bestehen，Ebenso Wie Andere Neuronale Netze，Aus Einer Eingabeschicht，Einer Ausgabeschicht und Zahlreichen Verborgenen Zwischenschichten。

DieseSchichtenFührenVorgängeAUS，Die Die Lyen Zum Erlernen Spezifischer Datenmerkmale Modifizieren。zudengängigstenschichtenzählen：Faltung，Aktiierung，Relu And Consoging。

• 贝德德Faltung.Durchlaufen Die Eingangsbilder Eine Reihe Von Faltungsfiltern，Die Jeweils Bestimmte Merkmale Aus Diesen Bildern Aktiivieren。
• eine.整流线性单元（Relu）erlaubt ein schnelleres und sufizienteres培训。Hierbei Werden负面Werte Auf null abgebildet und积极的werte beibehalten。死亡的mitunter alsAktiivierungBezeichnet，Da Nur Die Aktivierten Merkmale AnDieNächsteSchichtÜbergebenWerden。
• 汇集Vereinfacht Die Ausgabe，Da Die Anzahl der Vom Netz Zu Erlernenden参数Durch Nichtlineares Down采样reduziert Wird。

DieseVorgängeWerdenüberdutzendeoder Hunderte von Schichten Wiederholt，Wibei Jede Schicht Lernt，Unterschiedliche Merkmale Zu Identifizieren。

identische gewichtungen und bias-werte

Ein CNNVerfügt，eBenso Wie JedesHerkömmlicheNeuronale Netz.，Überneuronen mit gewichtungen und bias-werten das modell lernt diese wertewährenddes培训vorgangs und aktualisiert sie Fortlaufend Mit Jedem Neuen Groudingsbeispiel。IM Falle Von CNNS SIND DIE GEWICHTUNGEN und Bias-Werte AllerdingsFürAlleVerborgenenNeuronen在Einer Jeden Schicht Indicisch。

Das Bedeutet，Alle Verborgenen Neuronen Erkennen Das Gleiche Merkmal在Unterschiedlichen Bildregionen，Etwa Eine Kante Oder Einen Tropfen。Dadurch EntstehtNetztoleranzFürieÜbersetzungvon Bildobjekten。Ein Netz，Das Zum Beispiel Darauf Trainiert Wurde，Pkws Zu Erkennen，Erkennt Jeden Einzelnen PKW在伊宁贝尔啤酒厂。

Klassifikationsschichten

Nach Dem Erlernen der Merkmale在Zahlreichen Schichten Geht Din CNN-Architektur Zur Klassifikationüber。

Die Vorletzte Schicht Ist EineVollständigAngeschlossene Schicht，Die Einen Vektor von K Dimensingen Ausgibt，Wobei K Die Anzahl der Vom Netz PrognostizierBaren KlassenReveäsentiert。Dieser VektorEnthältdie KlassenwahrscheinlichkeitenFürjedes zu Klassifizierende Bild。

die letzte schicht der cnn-architektur verwendet eine klassifikationsschicht wie softmaxfürieklassifikationsausgabe。

弥漫的von.马铃薯^®缺席深度学习工具箱™KönnensieCNNS Entwerfen，Trainieren und Bereitstellen。

MatlabEnthälteinenumangreichensatz vortrainierter modelle aus der深度学习 - 社区，Diezum Erlernen und Idendifizieren von Merkmalen在Einem Neuen Datensatz VerwendetWerdenKönnen。柴胡甲铁克牛仔裤als转移学习bezeichnet。SieErmöglichtdiefeea anwendung von深深学习Ohne EineVollständigeNeuentwicklung。Modelle Wie Googlenet，Alexnet und Incepion Machen SichBewährte，冯·experententententtenthartekturen Zunutze undenen Als AusgangspunktFürieSerschließungse深度学习。

Entwerfen und Trainieren von Netzen

岩石von深网络设计师KönnenSieVortrainierteModelle Importieren Ouf Neu Gestalten von Grund Auf Geuf Gestalten。

SieKönnenNetzeAuchDirekt在Der App Trainieren und den Vorgang Anhand Von diagragemen Mit Genauigkeits-，Verlust- undialierungsmetrikenÜberwachen。

Verwendung Vortrainierter ModelleFür转移学习

die feinabstimmung eines vortrainierten netzes mit转移学习IST在Der Regel Deutlich Schneller und Einfacher Als Mit DEM训练北零点开始。Sie Erfordert Die Kleinste Datenmenge und Die GeringsteRechenkapazität。转移学习温室Die Mit Einer Bestimmten问题Stellung Verrundenen Erkenntnisse AUFDieLösungvergleichbarer问题是一个。Sie Beginnen Mit Einem Vortrainierten Netz und Verwenden Es Zum Erlernen Einer Neuen Aufgabe。转移学习帽Den Vorteil，Dass Das Vortrainierte Netz Bereits Einen Reichhaltigen Satz von Merkmalen Gelernt Hat。Diese Merkmale Lassen Sich Auf Ein Breites SpektrumähnlicherAufgabenanwenden。SieKönnenzumBeispiel Ein Netz，DAS Mit Millimen von Bildern Trainiert Wurde，FürieKlassifikationNeuer Objekte Trainieren undBenötigenDafürdafiglicheinigeHundert Bilder。

HardwareBeschleunigung Mit Grafikkarten.

Das Trainieren Eines卷积神经网络Erfordert Hunderte，Tausende Oater致百年von Bildern。Bei der Arbeit MitGroßendenenvolumenund KomplexenNetzarchitekturenKönnenGrafikkartendierfürerforderlicheVerarbeItungszeitMaßgeBlichBeschleunigen。

Weitere信息