什么是深度学习?
你需要知道的三件事
深度学习是一种机器学习技术，教授计算机自然地对人类进行：逐渐学习。深度学习是无人驾驶汽车背后的关键技术，使他们能够识别停车牌，或者将行人与灯柱区分开来。它是手机，平板电视和免提扬声器等消费设备中语音控制的关键。深深的学习最近和充分理由得到了很多关注。它正在实现以前不可能的结果。
在深度学习中，计算机模型学习直接从图像、文本或声音执行分类任务。深度学习模式可以达到最先进的准确性，有时会超越人的水平表现。模型通过使用一大组标记数据和包含许多层的神经网络结构进行训练。
深度学习如何获得这种令人印象深刻的结果？
总之，准确性。深度学习比以往更高的水平达到识别准确性。这有助于消费电子设备满足用户期望，并且对于安全的汽车等安全关键应用至关重要。深度学习的最新进步已经改进了深入学习在一些任务中表现出人类的点，如在图像中的分类对象。
尽管深度学习理论于上世纪80年代首次提出，但它直到最近才变得有用有两个主要原因:
- 深度学习需要大量的标记数据．例如，无人驾驶汽车开发需要数百万图像和数千小时的视频。
- 深度学习需要很大计算能力．高性能gpu有一个对深度学习非常有效的并行架构。当与集群或云计算相结合时，这使得开发团队能够将深度学习网络的培训时间从几周减少到几小时或更少。
在工作中深入学习的例子
深度学习应用程序用于自动驾驶到医疗设备的行业。
自动驾驶：汽车研究人员正在利用深度学习自动检测停车标志和交通灯等物体。此外，深度学习用于检测行人，这有助于减少事故。
航空航天和国防：深度学习用于从卫星上识别目标，确定感兴趣的区域，并确定部队的安全或不安全区域。
医学研究：癌症研究人员正在使用深度学习，自动检测癌细胞。UCLA的团队建立了一个先进的显微镜，产生高维数据集，用于训练深度学习申请以准确识别癌细胞。
工业自动化：深度学习通过自动检测人或物体是否在机器的不安全距离内，帮助提高重型机器周围的工人安全。
电子产品：深度学习被用于自动听力和语音翻译。例如，响应语音并了解您的偏好的家庭辅助设备由深度学习应用程序提供支持。
深度学习的作品如何
图1：神经网络，其在由一组互连节点组成的层中组织。网络可以具有数十或数百个隐藏图层。
图2：具有许多卷积层的网络示例。过滤器以不同的分辨率应用于每个训练图像，并且每个卷绕图像的输出用作下一层的输入。金宝搏官方网站
CNNS学会使用数十积或数百个隐藏层检测图像的不同特征。每个隐藏层都会增加学习图像特征的复杂性。例如，第一个隐藏层可以学习如何检测边缘，并且最后一个学习如何检测更多复杂的形状，具体迎合我们尝试识别的对象的形状。
机器学习和深度学习有什么区别？
深度学习是一种专业的机器学习形式。机器学习工作流程以手动从图像中提取的相关特征开始。然后，该功能用于创建对图像中对象进行分类的模型。通过深度学习工作流程，从图像中自动提取相关功能。此外，深度学习执行“端到端学习” - 在提供RAW RAW数据和执行诸如分类的任务之外的任务，并且了解如何自动执行此操作。
另一个关键差异是深入学习算法与数据量表，而浅学习会聚。浅学习是指机器学习方法当您在网络中添加更多示例和培训数据时，高原在某种程度的性能下。
深度学习网络的一个关键优势是，它们通常会随着数据规模的增加而不断改进。
图3。比较机器学习方法分类车辆(左)和深度学习(右)。
在机器学习中，您手动选择功能和分类器以对图像进行排序。深入学习，功能提取和建模步骤是自动的。
选择机器学习与深度学习
机器学习提供了各种各样的技术和模型，您可以根据您的应用程序、您正在处理的数据大小以及您想要解决的问题类型来选择。一个成功的深度学习应用程序需要大量的数据(数以千计的图像)来训练模型，以及GPU或图形处理单元，以快速处理您的数据。
在机器学习和深度学习之间选择时，考虑你是否拥有高性能的GPU和大量的标记数据。如果你没有这两样东西，使用机器学习而不是深度学习可能更有意义。深度学习通常更复杂，所以你需要至少几千张图片才能得到可靠的结果。拥有一个高性能的GPU意味着该模型将花费更少的时间来分析所有这些图像。
如何创建和培训深入学习模式
人们使用深度学习进行对象分类的三种最常见的方式是:
从头开始培训
为了从头开始训练深度网络，您需要收集一个非常大的标记数据集，并设计一个网络体系结构，以了解其特性和模型。这适用于新应用程序，或具有大量输出类别的应用程序。这是一种不太常见的方法，因为数据量大，学习速度快，这些网络通常需要几天或几周的时间来训练。
特征提取
略有常见，更专业的深度学习方法是将网络作为一个特征提取器．由于所有这些层都是从图像中学习某些功能的任务，因此我们可以在培训过程中随时将这些功能拉出网络。然后可以将这些功能用作输入机器学习模型比如金宝app支持向量机（SVM）．
gpu加速深度学习模型
培训深入学习模式可能需要很长时间，从几天到几周。使用GPU加速可以显着加速过程。使用MATLAB与GPU缩短了培训网络所需的时间，并可以从几天到几小时将培训时间切割图像分类问题。在培训深度学习模型中，MATLAB使用GPU（当可用时），无需您了解如何显式编程GPU。
图4.深度学习工具箱命令，用于从头划伤或使用预磨料模型进行培训您自己的CNN进行转移学习。
深度学习应用
通过执行迁移学习或特征提取，预先训练的深度神经网络模型可以用于快速将深度学习应用于您的问题。对于MATLAB用户，一些可用的模型包括AlexNet、VGG-16和VGG-19，以及使用importcaffennetwork导入的Caffe模型(例如，来自Caffe Model Zoo)。
MATLAB使深度学习变得容易。MATLAB还提供了用于管理大型数据集的工具和功能，用于机器学习、神经网络、计算机视觉和自动驾驶的专门工具箱。
只需几行代码，Matlab让您在不成为专家的情况下做深入学习。开始快速，创建和可视化模型，并将模型部署到服务器和嵌入式设备。
团队使用Matlab获得深度学习，因为它让您：
- 只需几行代码即可创建和可视化模型。
- 在没有专家的情况下进行深度学习。
- 自动地面真相标签的图像和视频。
- 在一个工作流程中整合深入学习。
MATLAB允许您用最少的代码构建深度学习模型。使用MATLAB，您可以快速导入预训练模型，并在调整训练参数时可视化和调试中间结果。
您可以使用MATLAB学习并获得深入学习领域的专业知识。我们大多数人从未上过深度学习课程。我们必须在工作中学习。MATLAB使对该领域的学习变得实用和容易。此外，MATLAB使领域专家能够进行深入学习，而不是将任务交给可能不了解您的行业或应用程序的数据科学家。
MATLAB使用户能够交互式地在图像中标记对象，并可以自动地在视频中标记基础真理，用于训练和测试深度学习模型。这种交互式和自动化的方法可以在更短的时间内获得更好的结果。
MATLAB可以在一个工作流中统一多个领域。使用MATLAB，您可以在一个环境中进行思考和编程。它为深度学习提供了工具和功能，也为深度学习算法提供了一系列领域，如信号处理、计算机视觉和数据分析。
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，云和嵌入式设备上部署您的深度学习模型。
查看更多深度学习功能和获取示例代码．
相关产品：下载188bet金宝搏马铃薯,计算机Vision Toolbox™,统计和机器学习工具箱™,深度学习工具箱™， 和自动驾驶工具箱™．
