卷积神经网络
三件事情你需要知道的
是什么让CNNs如此有用?
使用CNNs进行深度学习越来越受欢迎，原因有三个重要因素:
- 细胞神经网络消除直接由CNN了解到手动特征提取，功能的需求。
- CNNs产生最先进的识别结果。
- 细胞神经网络可以接受再培训新的识别任务，使您能够建立在预现有的网络。
深学习工作流程。图像被传递给CNN，自动学习的功能和分类对象。
CNNs使目标检测和目标识别的发展成为可能
CNNs为图像识别和模式检测提供了一种最优的体系结构。与gpu和并行计算的进步相结合，CNNs是自动驾驶和面部识别新发展背后的一项关键技术。
例如，深度学习应用程序使用细胞神经网络来检查数以千计的病理报告直观地发现癌细胞。细胞神经网络也使自动驾驶汽车，以检测对象，学会讲述一个路牌和行人之间的区别。
学到更多
地物学习，层和分类
和其他神经网络一样，CNN由一个输入层、一个输出层和许多隐藏层组成。
这些层执行改变的意图学习的数据特征特定于数据操作。最常见的层中的三个是：卷积，激活或RELU，和池。
- 卷积将输入图像放入一组卷积滤波器中，每个卷积滤波器都激活图像的某些特性。
- 整流线性单元(ReLU)允许通过映射负值更快和更有效的训练到零和维持正值。这有时被称为激活的，因为只有被激活的特征会被携带到下一层。
- 池通过执行非线性下采样简化了输出，减少了网络需要学习的参数数量。
重复这些操作在几十或几百层组成，每一层的学习，以确定不同的特征。
一个有许多卷积层的网络的例子。每个训练图像采用不同分辨率的滤波器，每个卷积图像的输出作为下一层的输入。金宝搏官方网站
分类层
学习功能在许多层，CNN的转变的架构来分类后。
下一个到最后一层是输出K个维度，其中K是类网络将能够预测数量的载体的完全连接层。该载体含有被分类为每个类中的任何图像的概率。
CNN的体系结构的最终层使用分类层如SOFTMAX以提供分类输出。
硬件加速与gpu
卷积神经网络可以训练成百上千甚至上百万的图像。当处理大量数据和复杂的网络体系结构时，gpu可以显著加快处理时间来训练模型。一旦训练了CNN，它就可以用于实时应用，比如先进的驾驶员辅助系统(ADAS)中的行人检测。
从零开始培训
从零开始创建网络意味着您要确定网络配置。这种方法为您提供了对网络的最大控制，并且可以产生令人印象深刻的结果，但是它需要对a的结构的理解神经网络和层的类型和配置中的许多选项。
虽然结果有时可能超过迁移学习（见下文），这种方法往往需要更多的图像进行训练，为新的网络需要的对象的许多例子，以了解功能的变化。培训时间通常较长，而且有它可以压倒从头配置网络的网络层的许多组合。通常情况下，构建网络和组织层时，它可以帮助引用其他网络配置，以充分利用什么研究人员已经证明是成功的。
学到更多
使用迁移学习预训练模式
对一个预先训练好的网络进行微调迁移学习是不是从头培训通常更快，更容易。它需要的数据和计算资源的最少。迁移学习使用知识从一种类型的问题，要解决类似的问题。你开始预训练网络，并用它来学习新的任务。迁移学习的一个优点是预训练的网络已经学到了丰富的功能。这些特征可应用于范围广泛的其它类似的任务。例如，你可以采取的培训上百万张图片的网络和再培训它仅使用数百幅图像的新对象分类。
凭借深厚的学习工具箱，你可以用预先训练CNN模型（如GoogLeNet，AlexNet，vgg16，vgg19）和模型从来自Caffe和TensorFlow-Keras进行迁移学习。
学到更多
应用程序使用细胞神经网络
目标检测
物体检测是定位和在图像和视频的对象分类的过程。计算机视觉工具箱™提供培训框架使用R-CNN（与CNN区域），快速R-CNN，和更快的R-CNN来创建深基于学习的对象检测器。
你可以使用机器学习技术统计和机器学习工具箱™用计算机视觉工具箱创建对象识别系统。
深度学习工具箱提供功能建设和培训CNNs，以及制造与受过训练的CNN模型预测。
如何更多地了解CNNs
下载188bet金宝搏产品，金宝app支持使用细胞神经网络进行图像分析包括：MATLAB，计算机视觉系统工具箱，统计和机器学习工具箱和深度学习工具箱。
卷积神经网络需要深度学习工具箱。培训与预测支撑在CUDA金宝app®能够GPU具有3.0或更高的计算能力。一个GPU的使用建议和要求并行计算工具箱™。
影片
- 深度学习入门:卷积神经网络是什么?(44)
- 物体识别：深度学习和机器学习计算机视觉（26:57）
示例以及如何
- 使用Deep学习图像行业分类——示例
- 训练一个用于数字分类的深度神经网络——示例
- 深度学习教程- 文件交换
- 使用深度学习的对象检测——示例
获得免费试用
30天的探索在你的指尖。
有问题吗?
跟一个深度学习专家。
