深度學習網絡作為一個功能多樣的工具，雖然最初僅用于圖像分析，但它已逐漸被應用到各種不同的任務和領域中。高準確性和高處理速度，使得用戶無需成為領域專家即可對大型數據集執行復雜分析。

小編邀請 MathWorks 產品經理 Johanna 分享一些深度學習網絡的使用示例以供參考：

文本分析

在本例中，我們將分析推特數據，了解針對特定詞或短語的情感是積極的還是消極的。情感分析有很多實際的應用，如品牌推廣、競選活動和廣告營銷。

過去（目前仍然）進行情感分析通常使用機器學習。機器學習模型可分析單個詞，但深度學習網絡可應用于完整的句子，大大地提高了準確性。

訓練組由數以千計正面或負面的推特樣本組成。這里是訓練示例：

我們通過去除“the”和“and”等“停滯詞”對數據進行了清理，這些詞對于算法的學習毫無用處。然后，我們上傳了長短期記憶（longshort-term memory, LSTM）網絡，它是一種遞歸神經網絡(recurrent neural network, RNN)，可學習時間上的依賴關系。

LSTM 擅長對序列和時序數據進行分類。當分析文本時，LSTM 不僅會考慮單個詞，還會考慮句子結構和詞的組合。

網絡本身的 MATLAB 代碼非常簡單：

layers = [ sequenceInputLayer(inputSize)

lstmLayer(outputSize,'OutputMode','last')

fullyConnectedLayer(numClasses)

softmaxLayer

classificationLayer ]

在 GPU 上運行時，它訓練的非?？焖伲?0 次迭代（完整遍歷一次所有數據）只需 6 分鐘。

完成對模型的訓練后，我們就可對新數據使用該模型。例如：我們可用它確定情感分數與股票價格之間是否相關。

語音識別

在本例中，我們需要將語音音頻文件分類到其對應的詞類。初看上去，此問題與圖像分類完全不同，但實則非常相似。頻譜是 1D 音頻文件中信號的二維顯示（圖 1）。我們可以將其用作對卷積神經網絡（CNN）的輸入，如同使用“真實”圖像一樣。

圖1. 上部：原始音頻信號。底部：對應頻譜。

spectrogram() 函數是一種將音頻文件轉換為其對應時頻的簡單方式。但是，語音是音頻處理的一種特定形式，其中重要特征會包含在特定的頻率處。由于我們希望 CNN 專注于這些特定的頻率處，我們將使用美爾倒譜系數，該系數會鎖定跟語音最相關的頻率區域。

我們在希望分類的詞類之間均勻地分配訓練數據。

為減少偽正面情感，我們納入了容易與目標類別混淆的詞類。例如，如果目標詞是“on”，則“mom”、“dawn”和“won”等詞會放到“未知”類別中。網絡不需要知道這些詞是什么，只需要知道它們不是目標詞。

我們隨后定義了一個 CNN。由于我們使用頻譜作為輸入值，因此 CNN 的結構可以是類似于用于圖像的結構。

模型訓練完畢后，它會將輸入圖像（頻譜圖）分類到相應的類別（圖2）。驗證集的準確性約為96%。

圖2. 詞“yes”的分類結果。

圖像降噪

小波和濾波器是（仍然是）降噪的常見方法。在本例中，我們將了解到經過預訓練的圖像降噪 CNN(DnCNN) 將如何應用于包含高斯噪聲的一組圖像中（圖 3）。

圖3. 添加了高斯噪聲的原始圖像。

我們首先下載一個包含高斯噪聲的圖像。

imshow(noisyRGB);

由于這是彩色圖像，但網絡是在灰階圖像上受訓的，因此該過程的唯一難點是需要將圖像分為三個不同通道：紅(R)、綠(G)、藍(B)。

oisyR = noisyRGB(:,:,1);

noisyG = noisyRGB(:,:,2);

noisyB = noisyRGB(:,:,3);

加載預先訓練的 DnCNN 網絡：

net= denoisingNetwork('dncnn');

現在我們可以使用它去除每個顏色通道中的噪聲。

denoisedR = denoiseImage(noisyR,net);

denoisedG = denoiseImage(noisyG,net);

denoisedB =denoiseImage(noisyB,net);

重新組合經過降噪處理的顏色通道，形成降噪后的 RGB 圖像。

denoisedRGB =cat(3,denoisedR,denoisedG,denoisedB);

imshow(denoisedRGB)

title('Denoised Image')

原始（非噪聲）圖像與降噪圖像的快速視覺對比圖說明結果是合理的（圖 4）。

圖4. 左：原始（非噪音）圖像。右：已降噪圖像。

讓我們放大幾個細節：

rect = [120 440 130 130];

cropped_orig = imcrop(RGB,rect);

cropped_denoise = imcrop(denoisedRGB,rect);

imshowpair(cropped_orig,cropped_denoise,'montage');

圖 5 中的放大視圖顯示降噪結果造成了一些負面影響。顯而易見，原始（非噪聲）圖像具有更高的清晰度，尤其是屋頂和草地。這一結果可能是可接受的，或者圖像需要進一步處理，這取決于它將用于哪些應用。

圖5. 放大視圖。

如果考慮使用 DnCNN 進行圖像降噪，請記住，它只能識別其接受過訓練的噪聲類型，在本例中是高斯噪聲。為提高靈活性，您可以使用 MATLAB 和 Deep Learning Toolbox 通過預定義層訓練自己的網絡，也可以訓練完全自定義的降噪神經網絡。