深度学习：浅滩

深度学习是一个使用人工神经网络非常频繁的领域。一个常见的应用是卷积神经网络，用于对图像，视频，文本或声音进行分类。

在两层或三层连接的神经元层上操作的神经网络被称为浅神经网络。深度学习网络可以有很多层，甚至数百个。两者都是直接从输入数据学习的机器学习技术。

深度学习特别适用于复杂的识别应用，如面部识别，文本转换和语音识别。它也是高级驾驶员辅助系统和任务中使用的关键技术，包括车道分类和交通标志识别。

与神经网络一起使用的技术

用于设计人工神经网络应用的公共机器学习技术包括监督和无监督的学习，分类，回归，模式识别和聚类。

监督学习

监督神经网络训练以响应采样输入而产生所需的输出，使其特别适用于建模和控制动态系统，对噪声数据进行分类，并预测未来事件。深度学习工具箱™包括四种类型的监督网络：前馈，径向基础，动态和学习矢量量化。

分类

分类是一种监督机器学习，其中算法“学习”以从标记数据的示例对新的观测分类。

回归

回归模型描述一个响应(输出)变量和一个或多个预测(输入)变量之间的关系。

模式识别

模式识别是计算机视觉，雷达处理，语音识别和文本分类中的人工神经网络应用的重要组成部分。它通过将输入数据分类为基于关键功能，使用监督或无监督的分类对对象或类进行分类。

例如，在计算机视觉中，监督模式识别技术用于光学字符识别（OCR），面部检测，面部识别，对象检测和对象分类。在图像处理和计算机视觉中，无监督的模式识别技术用于对象检测和图像分割。

无人监督的学习

无监督的神经网络通过让神经网络不断调整自己以适应新的输入来训练。它们被用来从没有标记响应的输入数据组成的数据集中得出推论。您可以使用它们来发现数据中的自然分布、类别和类别关系。

聚类

聚类是一种无监督的学习方法，其中人工神经网络可用于探索数据分析，以查找数据中的隐藏模式或分组。此过程涉及通过相似性对数据进行分组。应用程序聚类分析包括基因序列分析，市场研究和对象识别。

使用工具和功能来管理大数据集，马铃薯^®提供专门的工具箱，用于使用机器学习，人工神经网络，深度学习，计算机视觉和自动驾驶。

只需几行代码，MATLAB就可以让您开发神经网络，而无需成为专家。快速入门，创建并可视化模型，并将模型部署到服务器和嵌入式设备。

使用MATLAB，您可以将结果集成到现有的应用程序中。MATLAB自动部署在企业系统，集群，云和嵌入式设备上的人工神经网络模型。

典型的神经网络设计流程

每个神经网络应用程序都是唯一的，但开发网络通常遵循以下步骤：

1. 获取并准备您的数据
2. 创建人工神经网络
3. 配置网络的输入和输出
4. 调整网络参数（权重和偏见）以优化性能
5. 训练网络
6. 验证网络的结果
7. 将网络集成到生产系统中

浅网络的分类和聚类

Matlab和Deep Learing Toolbox提供用于创建，培训和模拟浅神经网络的命令行功能和应用程序。该应用程序可以轻松开发神经网络，以实现分类，回归（包括时间序列回归）和聚类。在这些工具中创建网络后，您可以自动生成MATLAB代码以捕获您的工作和自动化任务。

预处理，后处理和改进网络

预处理网络输入和目标提高了浅层神经网络训练的效率。后处理能够详细分析网络性能。matlab和金宝app^®提供帮助您的工具：

• 使用主成分分析减少输入向量的尺寸
• 在网络响应和相应的目标之间执行回归分析
• 缩放输入和目标使它们落在范围内[-1,1]
• 对训练数据集的均值和标准差进行归一化
• 创建网络时使用自动数据预处理和数据分部

提高网络泛化的能力有助于防止过度装备，是人工神经网络设计中的常见问题。当网络存储训练集时，会发生过度装备，但尚未学会概括为新输入。过度装箱在训练集上产生相对较小的错误，但在向网络呈现新数据时，更大的错误。了解有关你的方式使用交叉验证以避免过度装备。

改善泛化金宝搏官方网站的两个解决方案包括：

• 正则化修改网络的性能函数（培训过程最小化的错误措施）。通过包括权重和偏差的大小，正规化产生与训练数据很好的网络，并且当呈现新数据时表现出更平滑的行为。
• 早期停止使用两个不同的数据集：培训集，更新权重和偏置，以及验证集，以停止培训网络开始过度提供数据