최적화된 NGC 컨테이너와 NVIDIA의 완벽한 솔루션 스택이 딥 러닝 연구에 어떻게 힘을 실어주는지 알아보십시오. 여러 계층의 심층 신경망에서 최종 레이어는 특정 역할을 합니다. 레이블이 지정된 입력을 처리할 때 출력 계층은 각 예제를 분류하여 가장 가능성이 높은 레이블을 적용합니다. 출력 계층의 각 노드는 하나의 레이블을 나타내며, 해당 노드는 이전 레이어의 입력 및 매개 변수에서 수신하는 신호의 강도에 따라 켜지거나 꺼집니다. 우리가 모델을 구축에 뛰어 들기 전에, 나는 당신이 여기를 클릭하여이 드라이브로 이동하여 필요한 모든 교육 및 테스트 데이터 세트를 다운로드해야, 작업 디렉토리에 “test_set”과 “training_set”라는 폴더를 모두 다운로드, 그것은 거기에로 시간이 걸릴 수 있습니다 두 폴더에 있는 10,000개의 이미지로, 이는 학습 데이터와 테스트 데이터 집합입니다. 새 디렉터리를 만들고 이름을 “무엇이든_you_want”로 지정하고 위에서 다운로드한 데이터 집합 폴더를 붙여넣습니다. 흑백 이미지가 마음에 들지 않습니까? 걱정하지 마세요, “색상이하자!” 자동으로 B&W 사진의 색상을 복원 할 수있는 컴퓨터 시스템입니다. 여기에서 자세한 내용을 읽고 여기에서 다른 많은 예제를 볼 수 있습니다. 나는 뇌의 창조적 인 기능을 매핑에 대해 확실하지 않다, 하지만 딥 러닝 및 기타 AI 방법은 창조적 일 수있다 (우리가 미학적으로 기쁘게 생각하는 것의 범위 내에서 스토커).

이제 다른 데이터 유형에 동일한 아이디어를 적용합니다: 딥 러닝은 이메일이나 뉴스 기사와 같은 원시 텍스트를 클러스터할 수 있습니다. 화가 난 불만으로 가득찬 이메일은 벡터 공간의 한 구석에 클러스터될 수 있지만, 만족스러운 고객 또는 스팸봇 메시지는 다른 쪽구석에 클러스터될 수 있습니다. 이는 다양한 메시징 필터의 기초이며 CRM(고객 관계 관리)에 사용할 수 있습니다. 음성 메시지도 마찬가지입니다. 딥 러닝은 기계 학습의 특수 한 형태입니다. 기계 학습 워크플로는 이미지에서 수동으로 추출되는 관련 기능으로 시작됩니다. 그런 다음 피처를 사용하여 이미지의 객체를 분류하는 모델을 만듭니다. 딥 러닝 워크플로우를 사용하면 관련 기능이 이미지에서 자동으로 추출됩니다. 또한 딥 러닝은 네트워크에 원시 데이터와 분류와 같이 수행해야 할 작업이 주어지는 “종단 간 학습”을 수행하며 이를 자동으로 수행하는 방법을 학습합니다. 그림 4. 딥 러닝 툴박스는 처음부터 자신의 CNN을 교육하거나 전송 학습을 위해 미리 학습된 모델을 사용하기 위한 명령입니다. 이러한 이미지 분류 과제를 통해 딥 러닝이 이 작업에 얼마나 큰 진전을 이룰 수 있었는지 검토할 수 있습니다.