深度学习:浅网和深网

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，这是用来区分图像，视频，文本或声音。

由两到三层相连的神经元层组成的神经网络被称为神经网络浅神经网络。深度学习网络可以有许多层，甚至数百层。两者都是直接从输入数据中学习的机器学习技术。

深度学习尤其适合于复杂的智能识别应用，例如脸部识别，文本翻译和语音识别。这也是一个在先进的驾驶员辅助系统和任务，包括车道分类和交通标志识别所使用的关键技术。

使用神经网络技术

设计人工神经网络应用的常用机器学习技术包括监督和非监督学习、分类、回归、模式识别和聚类。

监督式学习

监督的神经网络被训练响应于采样输入，以产生所需的输出，使得它们特别适合用于建模和控制动力系统，噪声数据分类，并预测将来的事件。深度学习工具箱™包括四种类型的监督网络:前馈、径向基、动态和学习向量量化。

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

模式识别是人工神经网络在计算机视觉、雷达处理、语音识别和文本分类等方面应用的重要组成部分。它的工作原理是根据关键特征将输入数据分类为对象或类，使用监督或非监督分类。

例如，在计算机视觉中，监督模式识别技术被用于光学字符识别(OCR)、人脸检测、人脸识别、目标检测和目标分类。在图像处理和计算机视觉中，无监督模式识别技术被用于目标检测和图像分割。

无监督学习

无监督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

聚类是一种无监督学习方法，利用人工神经网络进行探索性数据分析，发现数据中隐藏的模式或分组。这个过程涉及到根据相似性对数据进行分组。申请聚类分析包括基因序列分析、市场研究和对象识别。

有了管理大型数据集的工具和功能，MATLAB^®提供专业的工具箱与机器学习，人工神经网络，深度学习，计算机视觉和自动驾驶工作。

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。

有了MATLAB，您可以将结果集成到现有的应用程序。MATLAB自动化企业系统，集群，云和嵌入式设备部署的人工神经网络模型。

典型的神经网络设计流程

每个神经网络的应用是独一无二的，但在网络中开拓通常遵循以下步骤：

1. 获取并准备您的数据
2. 创建人工神经网络
3. 配置网络的输入输出
4. 调整网络参数(权重和偏差)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

浅层网络的分类与聚类

MATLAB和深度学习工具箱提供的命令行功能和应用程序，用于创建，培训和模拟浅神经网络。该应用程序可以很容易地开发神经网络的任务，如分类，回归（包括时间序列回归），和集群。这些工具中创建网络后，可以自动生成MATLAB代码捕捉到你的工作和任务自动化。

预处理，后处理，并提高网络

预处理网络输入和目标提高了浅层神经网络训练的效率。后处理使网络性能详细的分析。MATLAB和金宝app^®提供工具帮助您:

• 利用主成分分析降低输入向量的维数
• 在网络响应与相应目标之间进行回归分析
• 规模输入和目标，以便它们落入在范围[-1,1]
• 对训练数据集的均值和标准差进行归一化
• 在创建网络时使用自动数据预处理和数据划分

提高网络的能力来概括有助于防止过度拟合，人工神经网络设计的常见问题。过拟合当网络已经记忆训练集，但还没有学会推广到新的输入发生。当新的数据提供给网络的过度拟合产生训练集，但更大的误差比较小的错误。了解有关你的方式使用交叉验证，以避免过度拟合。

两种解决金宝搏官方网站方案，以提高泛化包括：

• 正则修改网络的性能函数(训练过程最小化的误差度量)。通过包含权重和偏差的大小，正则化产生了一个网络，它能很好地处理训练数据，并且在面对新数据时表现出更流畅的行为。
• 早期停止使用两个不同的数据集:用于更新权重和偏差的训练集，以及当网络开始过拟合数据时停止训练的验证集