導讀

怎么樣來理解最近異常火熱的深度學習網絡？深度學習有什么亮點呢？答案其實很簡答，今年十月份有幸參加了深圳高交會的中科院院士論壇，IEEE fellow湯曉歐做了一場精彩的報告，這個問題被湯大神一語道破，他說深度學習網絡說白了就是一個多層的神經網絡。同20年前相比，計算機硬件性能提升很多，有了實現處理大數據和并行運算的能力，deep learning才被重新重視起來。這里，再重復一遍CNN的實質：CNN就是一個更深層次、具有更多節點的ANN網絡，但與簡單的ANN相比：CNN主要是卷積使得權值共享，降低連接的數量級，同時兼顧二維特征；從算法層面上，CNN的核心還是同BP網絡一樣權值正向傳播誤差反向傳播，并利用誤差來更新每一層的權值。

DNN的背景

DNN，deep neural network，近幾年機器學習算法中崛起的旗艦方法，作為分類精度最高、處理高維大數據的算法，挽救了機器學習在半個世紀里發展緩慢的頹勢，也為人工智能新領域的拓展起著重要作用，來看看最近一些IT巨頭在深度學習領域中的開展的工作。
2012年，《紐約時報》報道的google Brian項目，引起廣泛關注，這個項目由機器學習領域大師級人物吳恩達和大規模計算機系統方面的世界頂級專家JeffDean主導，使用萬為數量級的CPU數量搭建并行計算平臺，模擬出10億數量級的神經節點，讓這個巨大的系統收看YouTube視頻能夠自學習和識別具有一個小孩的智力水平。微軟在天津舉辦一次公開的活動展示了全自動的同聲傳譯系統，演講者用英語說話，后臺計算機一氣呵成地完成語音識別、英中文翻譯、語音合成，效果非常流暢。這個系統背后的關鍵技術就是DNN，或者說DL(Deep Learning)。2013年，李彥宏在百度年會上高調宣布成立“深度學習研究院”。

Why DNN

深度學習，體現出仿生生物學和人工智能等領域的光輝思想，借用獲得諾貝爾生理學獎的“視覺分層”理論，深度學習采用多層的分層形式來模擬視覺系統的原理，從底層的像素獲取形狀方向，到大腦皮層不同區域抽象迭代獲得局部特征，再到提取高層特征直到能夠簡單識別出模式。正因為深度學習神經網絡中的深層次結構，能夠無遺漏地提取樣本特征，具有強大的分類能力，所以深度學習相比于其他機器學習的算法，能夠降低誤差率，成為近年來非常熱門的算法。

深度學習有著多層深層的層次結構，將底層的特征不斷抽象和迭代出可標示的特征，能夠發現大數據中的復雜結構，具有強大的分類能力，因而在視頻圖像識別、語音識別、海量文本分類等方面具有重要應用。

深度學習的思想是通過深層網絡的結構自動學習和提取海量數據的特征。如果將深度學習網絡看成一個信號處理系統，輸入是一堆數據（一批圖片或一疊文本），通過多層網絡 （i=1,2..）的處理后無損地得到輸出，形象表示為： I=>S1=>S2=>…=>Sn => O，如果I和O相等，說明該系統能夠無損處理輸入信號，這樣可以不斷迭代訓練網絡得到一個多層網絡 每層網絡從低到高來表述特征。所以深度學習的目的就是訓練這個多層網絡，得到正確的分類參數。深度學習網絡的目前主流的模型主要有三種，深度信念網絡，受限玻爾茲曼機和卷積神經網絡。這里主要講解機器學習課程上的卷積神經網絡模型。

How CNN work

這里從兩個方面來闡述這個龐大的問題：
- 理論方面
例如，CNN如何權值正向傳播并進行誤差反向？卷積過程？
- 實例代碼講解
例如，如何使用matlab工具箱構建CNN網絡？如何訓練網絡？
Typical Example

這里就機器學習方面的大師級人物LecunYann設計訓練的CNN網絡模型來說明問題，。
CNN流程圖詳解
---------------------
原文：https://blog.csdn.net/wqthaha/article/details/46669835

總結

以上是生活随笔為你收集整理的深度学习系列之CNN核心内容的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。