EIN卷积神经网络(Faltendes Neuralales Netz,CNN Oder Convnet)IST Eine NetzarchitekturFür深度学习,Die Direkt Aus Lenten Lernt,Wodutch DieNotwengigkeitFürDie Manuelle MerkmalsextraktionEntfällt。
CNNS SINDBENANDERSHILFREICHFÜRDASUFÜRDASUFFINDENVON MURERN在Bildern,Zur Erkennung von Objekten,Gesichtern und Szenen。SieKönnenZudemFürieklassifikationvon nicht-bilddaten wie audio-,zeitreihen- oder signaldatenäußerstfektivsein。
安德旺纳,死亡Objekterkennungund.计算机视觉erfordern - etwafürSelbstfahrende fahrzeuge.und die gesichtserkennung - ,Sind在Hohemmaßeyffcnnsangewiesen。
Die Verbreitete Nutzung von CNNSFÜR深度学习LässtSichAufDreiWesentliche FaktorenZurückführen:
CNNS Bieten Eine Optimale ArchitekturFürdasErkennenunderlernen Wesentlicher Merkmale在Bild-und Zeitreihendaten。CNNS SIND EINESCHLÜSSELTECHNOLOGIE在南威登WIE:
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。
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。
DieseVorgängeWerdenüberdutzendeoder Hunderte von Schichten Wiederholt,Wibei Jede Schicht Lernt,Unterschiedliche Merkmale Zu Identifizieren。
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。
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。
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。
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。
Das Trainieren Eines卷积神经网络Erfordert Hunderte,Tausende Oater致百年von Bildern。Bei der Arbeit MitGroßendenenvolumenund KomplexenNetzarchitekturenKönnenGrafikkartendierfürerforderlicheVerarbeItungszeitMaßgeBlichBeschleunigen。
Objekterkennung bezeichnet den vorganc der lokalisierung undklassifikation von Objekten在Bildern und视频中。死计算机Vision Toolbox™Bietet训练框架Fürietellungvon auf深度学习Basierenden objektdetektoren Mithilfe von Yolo und r-cnn。
Die Erkennung vonSchlüsselwörternist ein beispielfür在文本中死亡umwandlung von sprache。Erkannt Werden BestimmteSchlüsselwörteroder Phrasen,Die Als DirektiveDienenKönnen。Das Aufwecken vonGerätenaus dem待机oder daseeinschalten von licht sindgängigebeispiele。
CNNS WERDEN IM Rahmen Der Semantischen Segmentierung Zur Identifizierung Indenueller Bildpixel Verwendet,Die Mit EinerZugehörigenKlassenbeschriftungVersehen Werden。Semantische Segmentierung Kann在ApplikationenFür自动化的Fahren,Industrielle Inspektion,Geländeklassifikationund Medizinische Bildgebung Zum Einsatz Kommen。卷积神经网络Bilden Die GrundlageFürdenaufbaueines emantischen semmentierungsnetzes。
Matlab Bietet Tools und Funktionen rund um das thema深入学习。Verwenden Sie CNNS Zur Erweitorung Ihrer工作流量在Den Bereichen Simpersverarbeitung,Computer Vision,KommunikationStechnik undar。
马铃薯, 死计算机Vision Toolbox™, 死统计和机器学习工具箱™und深度学习工具箱Zählenzu den produpten,Die CnnsFüriebildanalyse nutzen。
FÜR卷积神经网络有机钻深度学习工具箱Benötigt。培训und预期werden von einer cuda®-fähigengrafikkarte mit einerrechenkapazitätvon 3,0 oderhöherunterstützt。Die Verwendung Einer Grafikkarte Wird Dringend Empfohlen underfordert Die并行计算工具箱™。