Deep Learning Toolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。 对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-

远端深层神经网络（DNN）被成功取代语音识别领域，成为一种很具发展潜力的语音识别模型。然而，由于其训练算法复杂度高，通过训练数据和网络规模为提高DNN的训练效率，该文研究了基于多图形处理器（graph-ic处理单元，GPU）的DNN快速训练算法。在TIMIT数据集上的音素识别实验显示：在基本保证识别性能的替代下，优化后的DNN快速训练方法在4个GPU下训练速度比例单GPU有约3.3倍的提升。实验结果表明该快速训练方法可以显着提升DNN模型的训练速度。

经编 在CPU和GPU上快速并行实现CTC。 介绍 主义者的是一种损失函数，可用于对序列数据进行监督学习，而无需在输入数据和标签之间进行对齐。 例如，CTC可用于训练用于，这就是我们在百度的硅谷AI实验室中一直使用的方式。 上图显示了CTC计算输出序列“ THE CAT”的概率，作为可能映射到“ THE CAT”的输入序列的所有可能比对的总和，同时考虑到标签可能会重复，因为它们可能会延伸多个输入数据的时间步长（由图像底部的频谱图表示）。 由于所涉及的组合运算法则，显式地计算所有这些概率的和将是