深度学习

上连接的神经元层的两层或三层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，甚至上百个。两者都是机器学习直接从输入数据学习技术。

深度学习获得了大量的关注，并有很好的理由。它实现这一以前不可能实现的结果。

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。

神经网络结合了多种处理层，使用并行地操作和通过生物神经系统的启发简单元素。它由一个输入层的，一个或多个隐藏层，以及输出层。这些层经由节点，或神经元互连，与使用先前的层作为其输入的输出每一层。

使用神经网络技术

通用机器学习设计神经网络应用技术包括监督和无监督学习，分类，回归，模式识别和集群。

监督学习

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，动态和学习矢量量化。

分类

分类是一种监督的机器学习，其中一个算法“学习”来自标记的数据的例子新的观察分类的。

回归

回归模型描述了响应（输出）可变的，并且一个或多个预测器（输入）的变量之间的关系。

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神经网络应用的一个重要组成部分。它通过将数据输入对象或基于关键要素类进行分类，即使用监督或无人监督的分类。

例如，在计算机视觉，监督模式识别技术被用于光学字符识别（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，非监督模式识别技术被用于物体检测和图像分割。

无监督学习

无监督神经网络通过让神经网络进行培训，不断调整自身以新的投入。它们被用于绘制从由输入数据的无标记的响应数据集的推论。您可以使用他们发现的自然分布，类别和数据中类别的关系。

深度学习工具箱包括两种类型的无监督网络：有竞争力的层和自组织地图。

聚类

聚类是一种无监督学习方法在神经网络可以用于探索性数据分析，发现数据中隐藏的模式或分组。这一过程涉及由相似性分组数据。应用程序聚类分析包括基因序列分析，市场调研，和物体识别。

用于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，神经网络，深度学习，计算机视觉和自动驾驶工作。

随着代码只需要几行，MATLAB可以开发神经网络而不专家。快速上手，创建和可视化模型和部署模型，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你的神经网络模型。

典型的工作流程为设计神经网络

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. 访问和准备数据
2. 创建神经网络
3. 配置网络的输入和输出
4. 调整网络参数（权重和偏差），以优化性能
5. 训练网络
6. 验证网络的结果
7. 整合网络到生产系统

分类和浅层网络的集群

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^®提供工具来帮助你：

• 利用主成分分析减少输入矢量的尺寸
• 执行网络响应和相应的目标之间的回归分析
• 规模输入和目标，以便它们落入在范围[-1,1]
• 规范化训练数据集的平均值和标准偏差
• 创建网络时，使用自动数据预处理和数据分割

提高网络的能力来概括有助于防止过度拟合，在神经网络的设计的通病。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。

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perforance功能（错误训练过程最小化的措施）。通过包括重量和偏见的尺寸，正则产生执行以及与训练数据和呈现更平滑的行为与新的数据呈现时的网络。
• 提前停止使用两个不同的数据集：训练集，当网络开始过度拟合数据更新权重和偏见，并验证组，停止训练

代码生成和部署

使用Deep学习与工具箱MATLAB编码器™，GPU编码器™和MATLAB编译器™，您可以部署训练有素的网络，嵌入式系统，或将它们具有广泛的生产环境进行集成。您可以使用MATLAB编码器生成C和C ++代码，你训练的网络，它可以模拟在PC硬件上受过训练的网络，然后部署网络的嵌入式系统。您可以使用MATLAB编译器和MATLAB编译SDK™部署训练网络作为C / C ++共享库，微软^®。.NET程序集，爪哇^®类和Python^®从MATLAB程序包。您也可以在部署的应用程序或组件训练的网络模型。

金宝app支持Si金宝appmulink

深度学习工具箱提供了在Simulink中建立浅神经网络的一组块。金宝app所有块兼容金宝appSimulink的编码器™。这些区块分为四个库：

• 传输功能块，其采取的净输入向量，并产生一个相应的输出向量
• 净输入功能块，其采取任何数量的加权输入矢量，重层输出向量，和偏置矢量，并返回一个净输入矢量
• 重功能块，它应用一个神经元的权重向量的输入向量（或层输出向量），以获得用于神经元的加权输入值
• 数据预处理块，其地图的输入和输出数据转换成最适合于直接处理的神经网络的范围

或者，您可以创建并在MATLAB环境下训练你的网络，并自动生成网络模拟块与Simulink的使用。金宝app这种方法，您还可以以图形方式查看您的网络。