电子书

第 1 章：基础知识：使用深度学习进行处理

第 1 章

基础知识：使用深度学习进行处理

AI 日益成为主流，从安全关键型自动驾驶系统到欺诈检测，乃至聊天机器人，它的身影无处不在。曾经只有一小部分机器学习工程师或数据科学家可以构建 AI 驱动的应用，现在已经时过境迁。

越来越多的信号处理工程师和领域专家不断拓展他们的技能来打造人工智能系统；预训练模型的增加、现有研究成果以及用于合成和标注大型数据集的工具使这成为了可能。

深度学习是一种 AI 技术，特别适用于信号处理应用。

本电子书涵盖了使用深度学习进行信号处理的基础知识，以及与信号数据准备和深度学习应用建模相关的任务。这些内容以语音处理为例进行了说明。文中举例时所用的触发字检测器可以应用于类型更广泛的信号处理应用。触发字检测或关键词识别是一种可以嵌入移动设备的语音处理算法。

观看以下短视频，了解触发字检测的应用实例。
使用 MATLAB 构建语音识别原型

我们先来简要了解一下深度学习如何处理信号数据。

节

为何使用深度学习

深度学习是助力 AI 驱动系统的关键技术，因为模型可以通过它从大型数据集合中学习复杂模式和高级抽象，以便做出预测，响应输入，或采取其他行动。

与其他数据类型相比，信号数据往往具有更广泛的变异性。这种变异性可能是由宽带噪声、干扰、非线性趋势、抖动、相位失真和样本缺失引起的。这使得信号数据难以用作原始输入。因此，必须先准备好该数据，然后才能将其用作深度学习模型的输入。有关更多信息，请阅读有关此主题的深度博文。

两种常见的深度学习算法是循环神经网络 (RNN) 和卷积神经网络 (CNN)。它们非常适用于信号数据和常见信号处理应用的用例。您可以选择改用传统的机器学习模型，但这可能会限制模型的复杂性，并且需要相当了解数据特征。

节

深度学习工作流

标准的深度学习工作流分为四个阶段：创建和访问数据集，预处理和转换数据，开发预测模型，以及加速和部署模型。通常，人们不会以线性的方式执行这些阶段的操作，而是采用迭代的方法来设计、训练和优化预测模型。

每个阶段涉及的任务因工程和数据源而异。特别是信号处理应用会用到各种各样的数据，而且为网络创建有效学习输入的技术也因具体的应用而大相径庭。为了使用信号数据训练深度学习模型，数据准备和转换是特别重要的任务。

节

提示

深度网络设计器

如果您刚尝试定义网络架构，不妨从交互式深度网络设计器入手。您可以从列表中拖放层，探索即便看似简单的网络也具有的可学习权重。

不用从零开始

不妨考虑从解决了您的类似问题的论文中发布的架构入手。这类研究论文通常提供有存储库，其中包含可供下载的预置网络。请记住，MATLAB® 也可以从其他深度学习框架中导入和导出预置模型。