matlab深度学习简介.docxVIP

MATLAB 深度学习简介 什么是深度学习? 深度学习是机器学习的一个类型，该类型的模型直接从图像、文本或声音中学习执行分类任务。通常使用神经网络架构实现深度学习。“深度”一词是指网络中的层数 — 层数越多，网络越深。传统的神经网络只包含 2 层或 3 层， 而深度网络可能有几百层。 深度学习应用场景 下面只是深度学习发挥作用的几个例子： 无人驾驶汽车在接近人行横道线时减速。 ATM 拒收假钞。 智能手机应用程序即时翻译国外路标。 深度学习特别适合鉴别应用场景，比如人脸辨识、文本翻译、语音识别以及高级驾驶辅助系统（包括车道分类和交通标志识别）。  BIBLIOTECA LIBRARY 介绍通过 MATLAB 完成深度学习 3 什么让深度学习如此先进? 简言之，精确。先进的工具和技术极大改进了深度学习算法，达到了 很高的水平，在图像分类上能够超越人类，能打败世界最优秀的围棋 选手，还能实现语音控制助理功能，如 Amazon Echo? 和 Google Home，可用来查找和下载您喜欢的新歌。 UCLA 研究人员建造了一种高级显微镜，能产生高维的数 据集，用来训练深度学习网络，在组织检体中识别癌细胞。 介绍通过 MATLAB 完成深度学习 4 什么让深度学习如此先进?（续） 三个技术助推器让这种精确度成为可能： 易于访问大规模带标签的数据集 ImageNet 和 PASCAL VoC 等数据集可以免费使用，对于许多不 同类型的对象训练十分有用。 增大计算能力 高性能 GPU 加快了深度学习所需的海量数据的训练速度，训练 时间从几星期减少到几小时。 由专家构建的预先训练好的模型 可以重新训练 AlexNet 之类的模型，使用名为迁移学习的技术执 行新识别任务。虽然使用了 130 万张高分辨率图像训练 AlexNet 来识别 1000 个不同的对象，但可以使用较小的数据集实现精确 的迁移学习。 介绍通过 MATLAB 完成深度学习 5 在深度神经网络内部 深度神经网络结合多个非线性处理层，并行使用简单元素操作，受到了 生物神经系统的启发。它由一个输入层、多个隐藏层和一个输出层组 成。各层通过节点或神经元相互连接，每个隐藏层使用前一层的输出作 为其输入。 介绍通过 MATLAB 完成深度学习 6 深度神经网络如何学习 比如说，我们有一组图像，每个图像包含四种不同类别对象的一种，我 使用此训练数据，网络随后能开始理解对象的具体特征，并与相应的 们想让深度学习网络自动识别每个图像中有哪个对象。我们给图 类别建立关联。 像加标签，这样就有了网络的训练数据。 网络中的每一层从前面一层吸取数据，进行变换，然后往下传递。 网络增加了复杂度和逐层学习的详细内容。 注意，网络直接从数据中学习 — 我们对学习到的具体特征没有 影响。 FILTERS INPUT OUTPUT 介绍通过 MATLAB 完成深度学习 7 关于卷积神经网络 卷积神经网络（CNN 或 ConvNet）是图像和视频深度学习的最流行 卷积将输入图像放进一组卷积过滤器，每个过滤器激活图像中的某些 算法之一。 特征。 像其他神经网络一样，CNN 由一个输入层、一个输出层和中间的多个 池化通过执行非线性下采样，减少网络需要学习的参数个数，从而简 隐藏层组成。 化输出。 特征检测层 修正线性单元 (ReLU) 通过将负值映射到零和保持正数值，实现更快、 这些层对数据执行三种类型操作中的一种，即卷积、池化或修正线性 更高效的训练。 单元 (ReLU)。 这三种操作在几十层或几百层上反复进行，每一层都学习检测不同的 特征。 CARCAR TRUCKTRUCK VANVAN BICYCLEBICYCLE FULLYFULLY INPUTINPUT CONVOLUTIONCONVOLUTION ++ RELURELU POOLINGPOOLING CONVOLUTIONCONVOLUTION ++ RELURELU POOLINGPOOLING SOFTMAXSOFTMAX FEATUREFEATURE DETECTIONLEARNING 介绍通过 MATLAB 完成深度学习 8 关于卷积神经网络（续） 分类层 在特征检测之后，CNN 的架构转移到分类。 倒数第二层是全连接层 (FC)，输出 K 维度的向量，其中 K 是网络能够预测的类数量。此向量包含任何图像的每个类进行分类的概率。 CNN 架构的最后一层使用 softmax 函数提供分类输出。  没有用于选择层数的确切公式。最好的方法是尝试一些层，查看工作效果如何，或者使用预先训练好的网络。 CAR VAN FULLYFULLY INPUTINPUT FEATUREFEATURE DETECTIONLEARNIN