深度学习：资料整理

深度学习（英语：deep learning）是机器学习的分支，是一种以人工神经网路为架构，对资料进行表征学习的算法。[1][2][3][4][5]

深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别[6]）。深度学习的好处是用非监督式或半监督式（英语：Semi-supervised learning）的特征学习和分层特征提取高效算法来替代手工获取特征。[7]

表征学习的目标是寻求更好的表示方法并建立更好的模型来从大规模未标记数据中学习这些表示方法。表示方法来自神经科学，并松散地建立在类似神经系统中的信息处理和对通信模式的理解上，如神经编码，试图定义拉动神经元的反应之间的关系以及大脑中的神经元的电活动之间的关系。[8]

至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络（英语：Deep belief network）和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并取得了极好的效果。

另外，“深度学习”已成为时髦术语，或者说是人工神经网络的品牌重塑。

Deep Learning Toolbox™ 提供了一个用于通过算法、预训练模型和App 来设计和实现深度神经网络的框架。您可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM) 网络对图像、时间序列和文本数据执行分类和回归。您可以使用自动微分、自定义训练循环和共享权重来构建网络架构，如生成对抗网络(GAN) 和孪生网络。使用深度网络设计器，您能够以图形方式设计、分析和训练网络。试验管理器可帮助您管理多个深度学习试验，跟踪训练参数，分析结果，并比较不同试验的代码。您可以可视化层激活，并以图形方式监控训练进度。

您可以通过ONNX™ 格式与TensorFlow™ 和PyTorch 交换模型，并从TensorFlow-Keras 和Caffe 导入模型。该工具箱支持使用DarkNet-53、ResNet-50、NASNet、SqueezeNet 和许多其他预训练模型进行迁移学习。

学习文档如下：

Deep Learning ToolboxDocumentation- MathWorks 中国Deep Learning Toolbox 提供了一个用于通过算法、预训练模型和 App 来设计和实现深度神经网络的框架。您可以使用卷积神经网络（ConvNet、CNN）和长短期记忆 (LSTM) 网络对图像、时间序列和文本数据执行分类和回归。您可以使用自动微分、自定义训练循环和共享权重来构建网络架构，如生成对抗网络 (GAN) 和孪生网络。使用深度网络设计器，您能够以图形方式设计、分析和训练网络。试验管理器可帮助您管理多个深度学习试验，跟踪训练参数，分析结果，并比较不同试验的代码。您可以可视化层激活，并以图形方式监控训练进度。https://ww2.mathworks.cn/help/deeplearning/index.html