深度學習簡介
為什麼使用MATLAB進行深度學習?
即使您不是資料科學的專家,MATLAB®也讓每個人都能輕鬆設計、建立和視覺化深度學習模型,取用最新的模型,或從Caffe & TensorFlow 導入預先訓練模型(pretrained model)。或使用NVIDIA GPU來進行高速模型訓練。 將MATLAB程式碼自動轉成用於嵌入式的高效能CUDA程式碼。
- 高效能! MATLAB比TensorFlow 快7倍! 比Caffe2 快4.5倍!
- 輕鬆使用最新模型, 如: GoogLeNet, VGG-16, VGG-19, AlexNet, ResNet-50, ResNet-101, 和Inception-v3,還有更多!
- 快! 還要更快! 搭配使用NVIDIA GPUs,多GPU,雲端或叢集加速訓練任務!
- 便利的開發工具: 具備即時視覺化,除錯以及自動真實標記(Ground-truth Labelling)功能。
- 整合彈性! 可匯入Caffe 和TensorFlow-Keras的模型。
免費課程
兩小時! 學會使用MATLAB進行深度學習
這個免費的互動課程,將會引導您藉由實際操作影像辨識主題,學習可實用的深度學習方法,如卷積神經網路(Convolutional Neural Network, CNN), 使用預先訓練模型,以及遷移學習。現在就登入MathWorks會員,跟著我們一步步了解,如何使用MATLAB進行深度學習,探索人工智慧科技趨勢。開始課程
利用MATLAB訓練深度學習模型
深度學習模型的準確度在很大程度上取決於用於訓練模型的數據量。最準確的模型可能需要數千甚至數百萬的樣本,因此需要相當長的時間來進行訓練。一旦深度學習模型的訓練完成,它便可以使用在即時系統,如先進駕駛輔助系統(ADAS)行人偵測。
使用卷積神經網路(CNN)進行影像分類
卷積神經網路(Convolutional Neural Network),又稱CNN,是一種常見的深度學習結構。類神經網路為多層架構,層與層之間由一組相互連結的節點所構成。卷積神經網路會將學習到的特徵與輸入的數據進行迴旋積,因為使用2D的卷積層,這樣的架構適合用來處理2D數據,例如圖片。

遷移學習 Transfer Learning
典型的影像分類問題,需要大量數據進行卷積神經網路(CNN)的訓練,因為它必須學習上百萬的權重。相較於從頭訓練CNN,常見的替代方案為使用預先訓練模型(pretrained model)從一個新數據集自動擷取特徵。這種方法被稱為遷移學習,是一個達到深度學習,但不需要龐大的數據集和長期訓練時間的一種便捷方式。

利用10行 MATLAB 程式碼完成遷移學習

使用遷移學習方法重新訓練深度學習網路,以有效率的解決任務。
深度學習預訓練模型下載安裝
如何區分深度學習與機器學習?
深度學習是機器學習一種技術,機器學習涵蓋機率學、統計學、最佳理論、運算與智能等,在於使用演算法來分析資料的實踐和學習,然後對真實事件做出決策或預測。而深度學習則直接從資料來學習任務,它採用了深層的類神經網路結構(Deep Neural Network),來訓練和分析資料特徵,以學習如何自動辨識與分類。 深度學習演算法能夠直接從影像、文字、訊號等資料,以端對端(end-to-end)的形式學習有鑑別度的特徵。當演算法被大量標記的訓練資料集訓練之後,可以用來建立高準確度的分類器。
機器學習與深度學習比較
- 只須小量數據集即便可得出優良結果
- 可快速將模型訓練完成
- 需要嘗試不同的特徵和分類器才能實現最佳效果
- 準確度有所限制
機器學習
- 需要非常大的數據集才能獲得最佳效果
- 計算密集,所需時間較長
- 具備自動學習功能和分類器
- 準確度不受限制,可以獲得最先進的準確性,有時會超出人類的表現。
深度學習


利用GPU 加速硬體
訓練一個深度學習模型可能需要從幾天到幾個星期的時間。使用GPU加速可以顯著加速訓練的過程。使用GPU可成功的將影像分類問題的模型訓練時間從數天縮短至數小時。
