卷积神经网络(CNN或事先)是一个网络架构的深度学习 学习直接从数据。
cnn尤其有用寻找图像中的模式识别对象,类和类。他们也可以很有效的分类音频、时间序列和信号数据。
开始使用的例子
功能学习、层和分类
CNN是由一个输入层、输出层,和许多隐藏层。
这些层的意图改变数据执行操作学习特性的数据。最常见的三层卷积,激活或ReLU,池。
- 卷积将输入图像通过一组卷积过滤器,其中每个激活某些功能的图像。
- 修正线性单元(ReLU)允许更快和更有效的培训通过映射负值为零和保持积极的价值观。这是有时被称为激活,因为只有激活特性被结转到下一层。
- 池简化了通过执行非线性输出将采样,减少参数的数量,网络需要学习。
这些操作是重复几十或几百个层,每一层学习识别不同的特性。
共享的重量和偏见
与传统神经网络,CNN共享权值和偏差值,这是相同的所有隐藏的神经元在给定层。
这意味着所有隐藏的神经元检测是相同的功能,比如边缘或blob,不同地区的形象。这使得翻译网络宽容的对象在一个图像。例如,一个网络训练认识汽车将能够这样做无论汽车的形象。
分类层
后学习特性在很多层,CNN的体系结构转移到分类。
倒数第二层是一个完全连接层的输出向量K尺寸(K是类的数量能够预测)和包含图像的每个类的概率被分类。
CNN架构使用的最后一层一层分类提供最终的分类输出。
医学成像:cnn可以检查成千上万的病理报告视觉检测癌细胞的存在与否的图像。
音频处理:关键字检测可用于任何设备和一个麦克风检测说当一个特定的词或短语(“嘿Siri !”)。cnn可以准确地学习和检测关键字而忽略所有其他短语无论环境。
对象检测:自动驾驶依靠cnn准确检测信号的存在或其他对象和基于输出做出决定。
合成数据生成:使用生成对抗网络(甘斯),可以产生新的图像用于深度学习应用程序包括人脸识别和自动驾驶。
当你应该用cnn吗?
考虑使用cnn当你有大量的复杂的数据(如图像数据)。您还可以使用cnn与信号或时间序列数据预处理工作时网络结构。
看到这些例子来处理信号和cnn:
考虑使用Pretrained模型
当处理cnn,工程师和科学家更喜欢最初开始pretrained模型,可以用来学习和识别特性从一个新的数据集。
模型像GoogLeNet AlexNet,《盗梦空间》提供了一个起点,探索深度学习,利用经过验证的体系结构由专家。
设计和培训网络
使用深度网络设计师,您可以导入pretrained从头模型或建立新的模型。
你也可以训练网络直接在应用程序和监控训练块准确性,损失,和验证指标。
学习使用Pretrained模型传输
微调pretrained网络转移学习通常是快得多,也更容易比从头开始训练。它需要最少的数据和计算资源。学习使用知识从一种类型的问题转移到解决类似的问题。你开始pretrained网络,用它来学习一个新任务。转移学习的一个优点是,pretrained网络已经学会了一组丰富的功能。例如,您可以对数以百万计的网络训练图像和培训为新对象分类仅使用成百上千的图片。
与gpu硬件加速
卷积神经网络训练成百上千,成千上万,甚至上百万的图像。当处理大量的数据和复杂的网络架构,gpu可以显著加快处理时间来训练一个模型。
MATLAB的深度学习
学习MATLAB支持深度学习。金宝app
教程和例子
开始使用MATLAB对机器学习。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。