logo资料库

MATLAB 深度学习简介(ppt).pdf

发布时间：2022-06-19 发布人：admin 分类：说明书 资料大小：5.58M 资料格式：pdf 举报 版权申诉
第1页 / 共15页
第2页 / 共15页
第3页 / 共15页
第4页 / 共15页
第5页 / 共15页
第6页 / 共15页
第7页 / 共15页
第8页 / 共15页
资料共15页，剩余部分请下载后查看
    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 3 6 9 CANCEL CLEAR ENTER 1 4 7 2 5 8 0 3 介绍通过 MATLAB 完成深度学习
    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。 4 介绍通过 MATLAB 完成深度学习
    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。 5 介绍通过 MATLAB 完成深度学习
    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。 6 介绍通过 MATLAB 完成深度学习
    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 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 像加标签，这样就有了网络的训练数据。 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 类别建立关联。 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 7 介绍通过 MATLAB 完成深度学习
    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 算法之一。 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 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 隐藏层组成。 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 化输出。 特征检测层 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 单元 (ReLU)。 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、 更高效的训练。 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。 CAR CAR TRUCK TRUCK VAN VAN BICYCLE BICYCLE INPUT INPUT INPUT CONVOLUTION + RELU CONVOLUTION + RELU POOLING POOLING CONVOLUTION + RELU CONVOLUTION + RELU POOLING POOLING FLATTEN FLATTEN FULLY FULLY CONNECTED CONNECTED SOFTMAX SOFTMAX FEATURE DETECTION FEATURE LEARNING CLASSIFICATION CLASSIFICATION 8 介绍通过 MATLAB 完成深度学习
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料