深度学习
Drei调光，Die Sie Wissen Sollten
深度学习IST EINE Machine-Learning-Technik，Mit Der Computer EineFähigkeit埃尔威特·默德·冯·纳特·奥斯·哈芬：Aus Beispielen Zu Lernen。深度学习IST Eine Wichtige Technologie在Fahrerlosen Autos，Die Es DiesenErmöglicht，Ein optpschild Zu Erkennen oder einenfußgängervoneiner straintstraintenzenlaterne zu Duterscheiden。Sie Ist derSchlüsselZur Sprachsteuerung vonVerbrauchergerätenWie智能手机，平板电脑，Fernseern und Freisprecheinirchtungen。在Letzter Zeit Sehr Viel Aufmerksamkeit und das aus gutem grund中的深度学习erhält。Es Erreicht Ergebnisse，Die ZuvorUnböglichWaren。
Beim Deep学习Erlernt Ein Computermodell DieDurchführungvon Klassifikationsaufgaben Direkt Aus Bildern，Text Ooder Akustischen Laten。深度学习型号型号NACH DEM Neuesten立场DerTechnikKönnenManchmalGenauereErgebnisseErzielen Als Menschen。Modelle Werden Anhand UmfangreicherSätzeKlassifizierterDaten und Anhand神经元Netzarchitekturen Mit Vielen Ebenen Trainiert。
Wodurch Erreicht深入学习Derart Beeindruckende Ergebnisse？
麻省理工学院einem wort：genauigkeit。深度学习ErreichtHöhereDeveausder Genauen Erkennung Als Je Zuvor。所以Kann Unterhaltungselektronik die Erwartungen der verbrauchererfüllenund sicherheitskrititische anwendungen wie fahrerleose autos werdenüberhauptonstmöglich。Dank Aktueller Fortschritte IST DAS DAS DEAD学习inzwischen如此Weit，Dass Es Einige Aufgaben BesserBewältigtals Menschen，Etwa Die Klassifikation von Objekten Auf Bildn。
Während死于Den In Denorie Des Dea学习Schon In Den 1980er-JahrenBegründetWurde，Gibt Es Zwei WesentlicheGründe，Aus Denen ES Seit Kuxis Genutzt Wird中的KURZER ZEIT：
- 深度学习ErfordertGroßeMengen一个klassifizierten Daten．Beispielsweise SindFürieNeinonewicklung eines fahrerlosen autos百年bilder und tausende魔法video erforderlich。
- 深度学习Rechenleistung．Hochleistungs-GPUSVERFÜGENÜBEREINEPARLETEARCHITEKTUR，DISFÜRDAS深度学习效率IST。在Kombination Mit Clustern oder云计算百分点entingicklungseamsdiemöglichkeit，死训练，ein深学习 - netz von wochen auf令人畏缩的oder noch weniger zu Reduzieren。
Beispiele für Deep Learning in der practice
深度学习- anwendungen werden in Branchen vom automatisierten Fahren bis hin zu Medizinprodukten verwendet。
自动化自动化：Entwickler在汽车分支机构verwenden深度学习für die automatische Erkennung von Objekten wie Stoppschildern和Ampeln。Außerdem wid Deep Learning verwendet, um Fußgänger zu erkennen und somit Unfälle zu vermeiden。
勒夫特、劳姆法特和维蒂迪贡:深度学习网络verwendet，嗯über卫星对象zu identifiieren，一个相关的Gebiete zu erkennen sind，还有这里是gefährliche Zonen für Einsatzkräfte zu identifiieren。
Medizinische forschung：Krebsforscher verwenden Deep Learning für die automatische Erkennung von Krebszellen。加州大学洛杉矶分校的团队有创新的Mikroskop gebaut，深度学习学院的anwendung，所以训练有素的werden kann，还有您的Krebszellen präzise identifiiert。
Industrieautomatisierung:深度学习Trägtdazubei，Die ArbeitsSicheit An Schweren Maschinen ZuErhöhen，Indem自动机构Erkannt Wird，OB Handeren Oder Objekte SichGefährlichnahMaschinen Befinden。
Elektronik（CES）：深度学习网站für automatisiertes Hören und Sprechen verwendet。Beispielsweise basieren unterstützende Geräte im Privatbereich，再见，再见，再见，再见，再见。Wünsche kennen，再见，再见。
WissenSieüber深入学习吗？
Funktionsweise von深深学习
深度学习方法nutzen Architekturen的形式neuronalen Netzen．Deshalb Werden深学习 - 型号Häufigalstiefe neuronale Netzebezeichnet。
der begriff“tief”bezieht sich im allgemeinen auf die Anzahl VerborgenerSchichten des Neuralonal Netzes。Herkömmlicheneuronale netze entzalten nur 2 bis 3 Verborgene Schichten，WährendIefeNetze Bis Zu 150 Schichten Inthalten。
深度学习型号迷人Werden Anhamber UmangreicherSätzeKlassifizierterDaten and Anhand神经元Netzarchitekturen Trainiert，Die Merkmale Direkt Aus Den Lenen Lernen，Ohne Dass Eine ManuelleMerkmalsextraktionBenötigtWird。
Abbildung 1:神经元在埃本南的信德，死于einer Reihe von miteinander verbundenen Knotenpunkten besteen。Netze können Dutzende oder Hunderte verborgener Ebenen enthalten。
这是一种对神经网络的信任测试neuronale Faltungsnetzwerke(卷积神经网络,美国有线电视新闻网奥得河Convnet.) bezeichnet。在美国有线电视新闻网，我们的Merkmale麻省理工学院，wobei 2D-Faltungsebenen verwendet werden，我们的建筑师zur Verarbeitung von 2D-Daten wie Bildern geeignet macht。
CNNS Machen Eine ManuelleMerkmalsextraktionunnötig。SieMüssen也是Nicht Merkmale Identifizieren，Die Zur Klassifikation von Bildern Verwendet Werden。Das Cnn Arbeitet，Indem Es Merkmale Direkt Aus Bildern Intrahiert。Die Afficesen Merkmale Werden Nicht Vortrainiert，Sondern Sie Werden Gelernt，WährenddasNetz Anhand Einer Menge von Bildern Trainiert Wird。Dank Dieser Automatisierten Merkmalsextraktion Sind Deey-Learning-ModelleFürAufgabender Computer Vision，Wie Zum Beispiel Die Objektklassifikation，Hervorragmend Geeignet。
Abbildung 2: Beispiel für ein Netz mit vielen Faltungsebenen。Filter werden Trainingsbildern in unterschiedlichen Auflösungen zugefügt。输入für die nächste Ebene。
cnn记者lernen mithilfe von Dutzenden oder Hunderten verborgener Ebenen，我不太了解你们的情况。Jede verborgene Ebene erhöht die Komplexität der gelernten Bildmerkmale。我们可以先买一些东西，我们可以买一些东西，我们可以买一些东西，我们可以买一些东西，我们可以买一些东西。
机器学习和深度学习是什么?
深度学习是机器学习的特色。在机器学习工作流开始的时候，相关的Merkmale manuelaus Bildern extrahiert werden。我们可以用模型来解释，但我们要用图片来解释。在深度学习工作流中，有相关的Merkmale自动化。Außerdem wid beim Deep Learning ein“端-端- lervorgang”durchgeführt。请到erhält，我的名字叫奥法布，我的名字叫Klassifikation，我的名字叫奥法布自动机。
这是我们最好的朋友，这是我们的深度学习算法，während Lernvorgänge麻省理工学院。我们的机器学习方法，在我们的平台上，我们的评估是Leistungsebene erreichen，我们的培训日期是Verfügung stellen。
我们可以在深度学习中学习，我们可以在häufig中学习，我们可以在其他地方学习。
Abbildung 3：Vergleich Zwischen Machine学习（链接）und深度学习（Rechts）Bei der Klassifikation von fahrzeugen。
BEIM机器学习wählensie manuell merkmale undeinen klassifikator，um bilder zu sortieren。Beim Deea学习Sind Die SchritteFüremerkmalsextraktionund Die Modellierung自动机。
Wählenzwischen机器学习und深度学习
机器学习Bietet Eine Reihe DuterschiedLicher Techniken Und Models Zwischen Denen Sie Jean Nach Ihrer Anwendung，Dem Umfang der Zu Verarbeitenden Daten Der Art derZuLösendenAufgabeWählenKönnen。EINE ERFOLGREICHE深学习 - ANWENDUNG ERFORDERT SEHR VIELE DAYEN（TAUSENDE VON BILDELN）FÜRDAS培训DES MODELLS SOWIEGPU（GrafikProzessoren），um die laten schnell zu Verarbeiten。
Berücksichtigen Sie bei der Wahl zwischen Machine Learning and Deep Learning, ob Sie über eine Hochleistungs-GPU und umfangreiche klassifizierte Daten verfügen。此外，机器学习和深度学习都是非常重要的。Deep Learning ist im Allgemeinen komplexer, sodass Sie mindestens einige Tausend Bilder benötigen, um zuverlässige Ergebnisse zu erhalten。Mit einer Hochleistungs-GPU benötigt das Modell weniger Zeit，嗯，我都是分析者。
所以，我们来学习一下深度学习模型
DIE DREIAMHÄUFIGSTENVERWENDETENMÖGLICHKEITEN，深入学习FÜROBJEKTKLASSIFIKATIONENZUVERWENDEN，SIND FOLGENDE：
Trainieren von Grund Auf
UM Ein Deeve-Learn-Netz Von Grund Auf zu Trainieren，Sammeln Sie Eine SehrGroßeMengeKlassifizierterDaten Entwerfen Entzarchitektur，Die Die Merkmale und Das Modell Lernen Soll。Dies Ist GutFürNeueAnwendungenOderFüranwendungen，北丹恩Es Viele Ausgabenkategorien Geben Wird。Dieser Ansatz Wird WenigerHäufigals andereVerwendet，Denn AufgrundderGroßenMenge A一张Dieser Netze Das Trainieren Dieser Netze Im Allgemeineen Tage Tage Wochen。
转移学习
Die Meisten Deep-Learning-Anwendungen Verwenden Den Ansatz des转移学习我想，这是我想要的。你可以在网上注册，你可以在谷歌网上注册，你可以在网上注册，你可以在网上注册，你可以在网上注册。如果您能给我一个机会，können如果您能给我一个新的机会，我就能给您一个新的机会，我就能给您一个新的机会，我就能给您一个新的机会。die außerdem den Vorteil, dass viel weniger Daten benötigt werden (es werden Tausende statt Millionen Bilder verarbeitet)， sodass die Ausführungszeit nur Minuten oder Stunden beträgt。
Für迁移学习是一种学习方式，它是für新Aufgabe verändert和werweitert werden。MATLAB®bietet Tools and Funktionen für迁移学习。
Merkmalsextraktion
Ein etwas seltener genutzter, stärker spezialisierter Ansatz für das Deep Learning ist die Verwendung des Netzes alsmerkmalsextraktor.．我的父亲是奥地利人，我的父亲是奥地利人，我的父亲是奥地利人，我的父亲是奥地利人，我的父亲是奥地利人。Diese Merkmale können dann als Eingabe für einMachine-Learning-Modell verwendet了,那些皮毛金宝app支持向量机．
Beschleunigen von Deep-Learning-Modellen MIT GPU
Das Trainieren Eines Deep-Learning-Modells Kann Viel Zeit - Manchmal Tage und Wochen - 在Anspruch Nehmen。GPU-BESCHLEUNIGUNG KANN DEN VORGANGDEUTLICHFördern。Die Verwendung von Matlab Mit Einem GPU Verringert DieWendige ZeitFürdastrainieren欧莱斯Netzes und KannDiefüreinebildklassifikationsaufgabebenötigte培训结合von mehreren tagen Auf Nur Wenige Stunden Reduzieren。Beim Trainieren von Deey-Learning-Modellen Verwendet Matlab GPU（SofernVerfügbar），Ohne Dass SieWissenMüssen，Wie Sie GPUSexizitProgrammierenKönnen。
Abbildung 4: Die Deep Learning Toolbox erfordert das Trainieren Ihres eigenen cnn von Grund auf Die wendung eines vortrainierten models für Transfer Learning。
Deep-Learning-Anwendungen
欢迎您können vortrainierte模型，我们的神经元Netzen verwenden，嗯，深度学习，我们的Deep Learning，我们的Transfer Learning，我们的Merkmalsextraktion verwenden。Einige der für MATLAB-Anwender verfügbaren Modelle sind AlexNet, VGG-16和VGG-19 sowie Caffe-Modelle (etwa von Caffe Model Zoo)， die mit importcaffennetwork importtiert werden。
Verwendung von AlexNet zur Erkennung von Objekten einer Webcam
SieKönnenMatlab，Eine Einfache WebCam und Ein Tiefices Netz Verwenden，UM Objekte在Ihrer Umgebung Zu Erkennen。
Beispiel:深度学习
Neben derObjekterkennung，Mit der ein spezifisches objekt在einem bild oder video标识idifiziert wird，erermöglicht深入学习auch dieObjekterfassung.．死Objekterfassung.在这里，我们将看到最珍贵的物品。欢迎您ermöglicht eine Ortsbestimmung für mehrere在图片报上反对。
麻省理工学院Matlab IST深入学习Ganz Leicht。Neben Tools und FunktionenFürieVerwaltungGroßerDenenmengen百搭Matlab Auch Spezialisierte ToolboxenFürieArbeitMit机器学习，Neuralalen Netzen，Computer Vision Und Automatisiertem Fahren。
Mit nur wenigen Codezeilen können您可以Mit MATLAB深度学习anwenden, ohne ein expert sein müssen。请您给我们寄来，寄来的是您的型号，寄来的是您的型号，寄来的是Embedded-Geräten。
Teams setzen MATLAB dank der folgenden Möglichkeiten erfolgreich für Deep Learning ein:
- 这是一个很好的例子
- 安德坦通冯深度学习，Ohne Experte Zu Sein
- 地面真相分类的自动化
- 在einem einzelnen工作流中集成深度学习
DANKMATLABKÖNNENSIE深学习 - 型号MIT SEHR WENIG CODE ESTERELLEN。麻省理工学院MatlabKönnenSieVortrainierteModelle Schnell Exportieren Sowie Zwischenergebnisse Visualisieren und Debuggen，Wenn Sie培训参数参加者Anpassen。
麻省理工学院MatlabKönnenSieSich Wissen Im Bereich Des Dee Seeve学习Aneignen undEsüben。Die Meisten von Uns Handen Noch Nie Einen Kurs Zu Deep Learning Besucht。WirMüssenes在Der Praxis Lernen。MatlabErmöglichtPraktischesund LeichtZugänglichesLernen在Diesem Bereich。AußerdemKönnenFachexpertenMit Matlab Dee Deameys Selbst Anwenden - Statt Diese Aufgabe DateNwissenschaftlernZuÜberlassen，Die Die Branche Oder AnwendungMöglicherwiseNicht肯纳。
Mit MATLAB können Benutzer Objekte auf Bildern interaktiv klassifiieren，和können die Ground-Truth-Klassifikation in Videos automatisieren, um deep - learning modelle trainieren and zu testen。我们可以在kürzerer Zeit erzielt werden上得到结果。
Mit MATLAB können mehrere Bereiche in einem einzelnen Workflow vereint werden。麻省理工学院MATLAB können您在ein und derselben Umgebung所有Ihre Forschungs- und programmeeraufgaben erledigen。您的工具和Funktionen für das Deep Learning sowie für eine Reihe von Bereichen, die von Deep Learning- algorithmen genutzt werden können, wie Signalverarbeitung, Computer Vision and Datenanalysen。
MITMatlabKönnenSIEERGEBNISSE在Ihre Vorhandenen Anwendungen Integieren。Matlab Automatisiert Die Bereitstellung ihrer深学习型Auf Unternehmenssystemen，在Clustern，在Clouds und Auf Embedded-Geräten。
Siehe Auch.深度学习FunktioNen und CodeBeispiele．
Weitere Informyen Zum Trainieren und zur verwendung von深学习 - modellen finden sie unterMATLAB那计算机视觉工具箱™那统计和机器学习工具箱™那深度学习工具箱™和自动化驾驶工具箱™．
Erfahren Sie mehr über深度学习
