CNNの利用価値を高めている要因

特徴学习，层，分类

その他のニューラルネットワークと同様に，CNNは入力层，出力层，その间にある多くの隠れ层で构成されます。

各层はデータに固有な特徴を学习する目的で，データを改変する处理を実行します。最も一般的な层は，畳み込み层，活性化（RELU）层，プーリング层の3つです。

• 畳み込み层は，入力画像を复数の畳み込みフィルターに通します。それぞれのフィルターが画像の持っている特定の特徴に対して活性化します。
• 正规化线形ユニット（RELU）层は，负の値をゼロにマッピングして正の値を保持することで，より高速かつ效率的な学习を実现します。この处理は，活性化された特徴のみが次の层へ送られるため，活性化とも呼ばれます。
• プーリング层は，非线形のダウンサンプリングを実行して出力を単纯化し，同时にネットワークの学习に必要なパラメーター数も削减します。

これらの处理は数十层または数百层にわたって缲り返され，それぞれの层が异なる特徴を识别するように学习が行われます。

分类のための层

多くの层で特徴を学习した后，CNNアーキテクチャは分类タスクにシフトします。

最后から2番目の层は，K次元のベクトルを出力する全结合层です.Kはネットワークで予测可能なクラスの数を示します。このベクトルには，分类されるすべての画像の各クラスに対する确率が含まれています。

CNNアーキテクチャの最终层では，ソフトマックスなどの分类层を使用して分类结果を出力します。

GPUを使用したハードウェア高速化

畳み込みニューラルネットワークでは，数百，数千，あるいは数百万もの画像データを使用して学习を施します。大量のデータを复雑なネットワークアーキテクチャで处理する场合，GPUはモデルの学习处理时间を大幅に短缩します。学习済みのCNNは，先进运転支援システム（ADAS）での歩行者検出などのリアルタイムアプリケーションで使用できます。

ゼロからの学习

ゼロからネットワークを构筑する场合，ネットワーク构成を自分で决定する必要があります。この方法では，ネットワークのほとんどを自分で制御し，优れた结果を出すことができる一方，ニューラルネットワークの构造や，レイヤーの种类と构成に关する数々のオプションについて把握する必要があります。

転移学习を上回る结果を得られることもありますが（下记参照），新しいネットワークは，特徴のバリエーションを理解するためにオブジェクトサンプルが多く必要であるため，この方法では学习に必要な画像の数が多くなる倾向にあります。学习期间も长くなりやすく，ネットワーク层の组み合わせが多いため，ネットワークをゼロから构成するのは困难な场合もあります。通常，ネットワークを构筑してレイヤーを整理するとき，他のネットワーク构成を参考にすると，実际に成功した事例を活用できます。

転移学习における事前学习済みモデルの使用

通常，転移学习を使用して事前学习済みネットワークを微调整する方法は，ゼロから学习させる方法よりも迅速で简単に使用できます。必要なデータとコンピューターリソースの量は最小限に抑えられます。転移学习は，ある种类の问题からの知识を利用して类似の问题を解决します。事前学习済みネットワークから开始して，新しいタスクを学习します。転移学习の利点の1つは，事前学习済みネットワークは数多くの特徴を学习済みであることです。学习済みの特徴は，他の类似问题に幅広く応用できます。たとえば，数百万の画像を使用して学习済みのネットワークを利用すると，わずか数百の画像を使用して新しいオブジェクト分类用に保持できます。

神经网络工具箱を使用すると，事前学习済みCNNモデル（GoogLeNet，AlexNet，vgg16，vgg19など）および来自CaffeとTensorFlow-Kerasのモデルを使用して転移学习を実行できます。