计算机视觉

图像分类样式传递
学习嵌入语义分割（像素分类）
图像分类

MNIST 数字分类

使用卷积神经网络在手写数字的 MNIST 数据库上培训数字识别.
首先，获取培训和验证数据：
定义接受 28×28 灰度图像作为输入的卷积神经网络：
为 3 轮培训培训网络. NetTrain 会使用提供给解码器的同样的类自动附加 CrossEntropyLossLayer：
直接在从验证集合中随机采样的图像上培训网络：
获取特殊输入的所有类的概率估计：
使用 NetMeasurements 测试在测试集上被训练的网络的分类性能：

CIFAR-10 对象分类

使用标签图像的 CIFAR-10 数据库，培训卷积网络预测每个对象的类. 首先，获取培训数据：
提取唯一的类：
创建卷积网络预测给定图像的类：
在训练数据上培训网络：
为一组图像预测最可能的类：
对于指定的范例，给出最可能的标签分配概率：
从随机样本中选择图像，其中神经网络会产生最高和最低熵预测. 高熵输入会被诠释为其中的网络对于正确的类大部分是不确定的：
学习嵌入
学习 MNIST 数据集中数字的嵌入.
首先，导入数据并只接受标签在 0 与 4 之间的范例：
通过采用图像对创建培训集，如果标签不同，则用 True 关联，标签相同，则用 False：
定义卷积网络并用作嵌入网络：
构建嵌入网络：
培训网络：
把网络应用于数字对列表中并在嵌入中计算距离. 带有同样标签的数字具有小距离：
提取嵌入网络：
计算数字的嵌入：
采样 500 数字并按标签分组：
计算它们的嵌入并绘图. 同样标签下的数字在学习嵌入下被聚类：
样式传递
用一个图像的内容和另一图像的样式创建一个新的图像. 该应用遵循 Gatys et al., "A Neural Algorithm of Artistic Style" 中描述的方法.
范例内容和样式图像：
创建这些图像的混合，通过获取预培训的图像分类网络开始：
获取将被用作样式和内容图像的特征提取器的层：
使用了三个损失函数. 第一种损失确保合成图像的内容类似于内容图像：
第二种损失确保合成图像的样式类似于那幅样式图像. 样式类似性被定义为输入和目标间的 γ 矩阵的均方差：
第三种损失确保合成图像中相邻像素的强度幅度变化较小. 这样可以使合成图像看上去更自然：
定义一个函数为任何内容和样式图像创建一个最后培训网络. 该函数也创建一个随机初始图像：
为可视化预测图像创建一个 NetDecoder：
培训数据包括来自于内容和样式图像的特征提取. 定义一个特征提取函数：
创建一个培训集包括内容和样式特征的单个范例：
创建一个培训网络，它的输入维度对应于内容和样式图像的维度：
当培训时，三种损失的权重是不同的，以设定内容和样式的相对重要性. 这些值可能需要使用不同的内容和样式图像进行更改. 创建一个损失指标，将最终损失定义为三种损失的组合：
使用 NetTrain 优化图像. LearningRateMultipliers 冻结网络中的所有参数，除了 NetArrayLayer. 培训最好是在 GPU 上进行，用 CPU 培训会使用 1 个多小时才会获取好的结果. 可以通过 Evaluation ▶ Abort Evaluation 在任何时候停止培训：
从培训网络的 NetArrayLayer 提取最终的图像：
语义分割（像素分类）

玩具文本数据集上的语义分割

训练一个网络，将字词图像中的每个像素分类为背景的一部分或者字母 a 至 z 之一的一部分.
首先，产生培训好测试数据，包括字词图像和对应的标签每个像素的“掩膜”整数矩阵：
获取类的数目：
为每个类索引分配颜色：
获取培训集中输入图像的随机样本：
可视化单个范例的掩膜数组，其中每个颜色表示一个特殊的类：
定义一个卷积网络，接受一幅图像并返回图像中每个像素的概率向量：
推荐 GPU 培训，因为 CPU 培训会花近一个小时. 培训网络：
创建一个预测函数给出每个像素最可能的类索引：
根据测试集预测图像的像素类：
绘制范例的实际目标掩膜：
获取某种类的特殊像素的概率排序列表：
定义一个函数，光栅化一个字符串，然后应用到培训的网络，给出对应于每个像素最可能类的索引的矩阵：
某些字符很容易与其他字符区别：
更难的其他字符：
获取测试集上培训网络的像素级精度：