什么是深度学习？

深度学习是机器学习的一个分支，它训练计算机像人类一样自然地做事情，即：从经验中学习。深度学习使用神经网络直接从数据中学习有用的特征表示。神经网络结合了多个非线性处理层，它使用并行运行的简单元素并受到生物神经系统的启发。深度学习模型在对象分类方面可以达到非常高的准确度，有时甚至超过人类的水平。

Deep Learning Toolbox™ 提供简单的 MATLAB^® 命令来创建和互连深度神经网络的各个层。示例和预训练网络使得使用 MATLAB 进行深度学习变得很容易，即使没有高级计算机视觉算法或神经网络方面的知识也不会感觉困难。

有关实际深度学习方法的免费实践课程，请参阅深度学习入门之旅。要快速开始深度学习，请参阅使用 10 行 MATLAB 代码尝试深度学习。

使用迁移学习更快地开始深度学习

深度学习应用中常常用到迁移学习。您可以采用预训练的网络，基于它学习新任务。用迁移学习来微调网络比从头开始训练要快得多，也容易得多。您可以使用较少数量的训练图像快速让网络学习新任务。迁移学习的优势在于，预训练网络已学习一系列丰富的特征，这些特征可以应用于其他各种类似任务。有关交互方式的示例，请参阅使用深度网络设计器进行迁移学习。有关编程方式的示例，请参阅训练深度学习网络以对新图像进行分类。

要选择是使用预训练网络还是创建新的深度网络，请参考下表中的情形。

要探查一系列预训练网络，请使用深度网络设计器。

深度学习工作流

要了解有关深度学习应用领域的更多信息，请参阅深度学习应用。

深度学习 App

使用各种 App，以交互方式处理数据、可视化和训练网络、跟踪试验以及量化网络。

您可以在训练前使用 App 标注真实值数据来处理您的数据。有关选择标注 App 的详细信息，请参阅Choose an App to Label Ground Truth Data。

使用从预训练网络中提取的特征训练分类器

特征提取让您可以利用预训练网络的强大功能，而无需在训练方面投入时间和精力。特征提取可能是使用深度学习的最快方法。您从预训练网络中提取学习到的特征，并使用这些特征来训练分类器，例如，支持向量机（SVM - 需要 Statistics and Machine Learning Toolbox™）。例如，如果使用 alexnet 训练过的 SVM 能够基于您的训练集和验证集达到 90% 以上的准确度，则可能不值得为再提高一点准确度而通过迁移学习进行微调。如果您对较小的数据集进行微调，可能还存在过拟合的风险。如果 SVM 无法达到对您的应用来说足够好的准确度，您可以通过微调来提高准确度。

有关示例，请参阅使用预训练网络提取图像特征。

在并行运行的 CPU、GPU 上和云上使用大数据进行深度学习

训练深度网络属于计算密集型运算，并且可能花费数小时的计算时间；但神经网络本质上是并行算法。您可以使用 Parallel Computing Toolbox™，通过使用高性能 GPU 和计算机集群并行运行来利用这种并行机制。要了解有关并行、云中或使用 GPU 的深度学习的详细信息，请参阅Scale Up Deep Learning in Parallel, on GPUs, and in the Cloud。

使用 MATLAB^® 中的数据存储，可以便捷地处理和表示太大而无法一次放入内存的数据集合。要了解有关使用大型数据集进行深度学习的详细信息，请参阅Deep Learning with Big Data。

使用 Simulink 进行深度学习

通过使用 Deep Learning Toolbox™ 中包含的 Deep Neural Networks 模块库中的模块，或通过使用 Computer Vision Toolbox™ 中的 Analysis & Enhancement 模块库中的 Deep Learning Object Detector 模块，在 Simulink^® 模型中实现深度学习功能。

有关详细信息，请参阅Simulink 深度学习。

深度学习可解释性

深度学习网络经常被描述为“黑盒”，因为网络作出某种决策的原因并不始终是显而易见的。您可以使用可解释性方法将网络行为转换为人们可以理解的输出。这种可解释的输出可以回答关于网络预测的问题。

Deep Learning Toolbox 提供了几种深度学习可视化方法，可帮助您调查和理解网络行为。有关示例，请参阅 gradCAM、occlusionSensitivity 和 imageLIME。有关详细信息，请参阅Deep Learning Visualization Methods。

深度学习自定义

您可以通过各种方法来训练和自定义深度学习模型。例如，您可以使用内置层来构建网络，或者定义自定义层。然后，您可以使用内置训练函数 trainNetwork 来训练您的网络，或将深度学习模型定义为函数并使用自定义训练循环。要帮助决定使用哪种方法，请参考下表。

有关详细信息，请参阅 Train Deep Learning Model in MATLAB。

深度学习导入和导出

您可以从 TensorFlow™-Keras、TensorFlow 2、ONNX™（开放式神经网络交换）模型格式和 Caffe 导入网络和网络架构。您还可以将经过训练的网络导出为 ONNX 模型格式。

相对于 importKerasNetwork 和 importKerasLayers 函数，推荐使用 importTensorFlowNetwork 和 importTensorFlowLayers 函数：

当软件无法将 ONNX 运算符转换为等效的内置 MATLAB 层时，importONNXNetwork 和 importONNXLayers 函数也可以生成自定义层。有关示例，请参阅Import ONNX Network with Autogenerated Custom Layers。在极少数情况下，当 importONNXNetwork 和 importONNXLayers 无法将 ONNX 模型导入层中时，您可以使用 importONNXFunction 将模型作为函数导入。有关如何选择 ONNX 导入函数的详细信息，请参阅Select Function to Import ONNX Pretrained Network。

通过使用 ONNX 作为中间格式，您可以与支持 ONNX 模型导出或导入的其他深度学习框架进行互操作，这些框架包括 TensorFlow、PyTorch、Caffe2、Microsoft^® Cognitive Toolkit (CNTK)、Core ML 和 Apache MXNet™。使用 exportONNXNetwork 函数将经过训练的 Deep Learning Toolbox 网络或网络层次图导出为 ONNX 模型格式。